YOLO26 与 RTDETRv2#
计算机视觉从业者通常需要在经过优化的卷积神经网络 (CNNs) 和较新的 Transformer 架构之间做选择。两个突出的例子是 Ultralytics YOLO26 和百度的 RTDETRv2。两者都面向实时目标检测，但采用了不同的架构方法。
本指南将比较它们的结构、性能指标和理想应用场景，帮助你为下一个计算机视觉项目选择最佳基础模型。
Ultralytics YOLO26：边缘优先的视觉 AI#
YOLO26 由 Ultralytics 开发，于 2026 年 1 月发布，是最新的 YOLO 模型，也是新项目的推荐选择。它面向速度、精度以及在云端和边缘环境中的便捷部署而设计。
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2026-01-14
- GitHub： Ultralytics 代码库
- 文档： YOLO26 官方文档
架构创新与优势#
YOLO26 引入了多项特性，使它不仅区别于 Transformer 模型，也区别于 YOLO11 等早期版本：
- 端到端、无需 NMS 的设计：YOLO26 的可选一对一检测头（
nms=False）会在后处理中跳过传统的非极大值抑制（NMS）。这一端到端方案由 YOLOv10 引入 YOLO 模型，可降低推理延迟波动并简化部署逻辑，尤其适用于边缘硬件。 - CPU 推理最高提速 43%： YOLO26n 在 CPU 上的运行速度比 YOLO11n 最多快 43%，适用于缺少专用 GPU 的设备，例如 Raspberry Pi。
- 移除 DFL： 移除分布焦点损失 (DFL) 可简化导出流程，并提升与低功耗边缘设备的兼容性。
- MuSGD 优化器： YOLO26 将大语言模型 (LLM) 训练理念引入计算机视觉，并采用 MuSGD 优化器。这种结合 SGD 与 Muon 的混合方法受到 Moonshot AI 的 Kimi K2 启发，可实现更稳定的训练和更快的收敛。
- ProgLoss + STAL： 渐进式损失和小目标感知标签分配 (STAL) 可提升小目标识别能力。这对依赖航空影像分析和物联网 (IoT) 传感器的行业尤为重要。
适用于各类视觉任务#
与仅限边界框的模型不同，YOLO26 支持目标检测、实例分割、语义分割、深度估计、分类、姿态估计和 OBB 检测。它还针对特定任务进行了改进，例如用于实例分割的语义分割损失和多尺度原型模块、用于姿态估计的残差对数似然估计 (RLE)，以及用于解决有向边界框 (OBB)任务中边界问题的专用角度损失。
RTDETRv2：改进实时检测 Transformer#
由百度研究人员开发的 RTDETRv2 在原始 RT-DETR 框架的基础上构建，旨在证明检测 Transformer (DETR) 能够在实时场景中与高度优化的 CNN 竞争，有时甚至在速度和精度上更胜一筹。
- 作者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang 和 Yi Liu
- 组织： 百度
- 日期： 2024-07-24
- arXiv：2407.17140
- GitHub： RTDETRv2 PyTorch 实现
- 文档： RTDETRv2 README
架构与能力#
RTDETRv2 采用基于 Transformer 的架构，通过自注意力捕获全局上下文，因此处理图像的方式与 CNN 不同。
- 免费优化策略包：v2 版本引入了一系列优化训练技术（免费优化策略包），在不增加推理成本的情况下提升了基准性能。
- 全局上下文感知： 借助 Transformer 注意力层，RTDETRv2 能够处理需要全局上下文来区分重叠或被遮挡目标的复杂场景。
Transformer 模型的局限性#
基于 Transformer 的检测模型（如 RTDETRv2）在实际部署中往往面临挑战。与高效 CNN 相比，这类模型在训练期间通常需要更多 CUDA 显存，而注意力层所需的运算也会增加其集成到各种边缘环境中的难度。对于资源受限的部署，YOLO26 等 CNN 通常更容易上线。
性能对比#
下表比较了 COCO 验证集上的精度 (mAP)、速度和模型大小。
| 模型 | 尺寸 (像素) | mAP验证集 50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 （ms） | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
在每个可比尺寸下，YOLO26 的 mAP 都高于 RTDETRv2，TensorRT 延迟则更低。YOLO26x 的 mAP 达到 57.5，延迟更低（TensorRT 上为 11.8 ms），参数量也少于 RTDETRv2-x（mAP 为 54.3，延迟为 15.03 ms，参数量为 76M）。
用例与建议#
选择 YOLO26 还是 RT-DETR，取决于你的具体项目需求、部署限制和生态偏好。
何时选择 YOLO26#
以下场景适合选择 YOLO26：
- 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
- 仅使用 CPU 的环境： 没有专用 GPU 加速的设备；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
- 小目标检测： 在无人机航拍影像等具有挑战性的场景或物联网传感器分析中，ProgLoss 和 STAL 能提升小目标检测准确率。
何时选择 RT-DETR#
以下情况推荐使用 RT-DETR：
- 基于 Transformer 的检测研究：探索注意力机制和 Transformer 架构，以实现无需 NMS 的端到端目标检测。
- 对延迟要求灵活的高精度场景：检测准确率至关重要，且可以接受略高推理延迟的应用。
- 大型目标检测：场景中的目标以中大型为主，此时 Transformer 的全局注意力机制能够发挥天然优势。
Ultralytics 优势#
选择合适的架构只是其中一部分；周边生态决定了团队从原型开发走向生产部署的速度。
易用性与训练效率#
Ultralytics Python API 让训练代码保持简洁，无需编写冗长的样板代码。与 RTDETRv2 内存占用较高的注意力层相比，YOLO26 通常也使用更少的 GPU 显存，因此在消费级硬件上可以采用更大的批次大小。
from ultralytics import YOLO
# 初始化 YOLO26 Nano 模型
model = YOLO("yolo26n.pt")
# 在 COCO8 数据集上训练 100 个周期
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 执行高速无 NMS 推理
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)
# 导出为 ONNX，以便部署
model.export(format="onnx")维护良好的生态系统#
Ultralytics 模型配有持续维护的框架，并可与 Weights & Biases 和 Comet 等实验跟踪工具集成。对于无需编写代码的使用方式，Ultralytics Platform 提供云端训练、数据集管理和模型部署功能。
性能平衡#
YOLO26 兼顾推理速度和精度。可选的无 NMS 推理、MuSGD 优化器以及 ProgLoss + STAL 共同打造出一款小目标检测准确、生产环境运行快速的模型，使其成为大多数计算机视觉应用的可靠默认选择。
生态系统中的其他模型#
维护现有流水线的开发者还可以考虑用于成熟企业环境的 YOLOv8，或了解 YOLO26 与 EfficientDet 的对比。新项目推荐使用 YOLO26。