YOLO26 对比 YOLO11：计算机视觉工程师的技术比较
实时目标检测和计算机视觉领域正在迅速发展。Ultralytics 始终走在这场演变的前沿，不断突破速度、准确性和易用性的界限。本次技术比较深入探讨了 YOLO26 和 YOLO11 的架构进步、性能指标和理想应用场景，旨在帮助开发人员和研究人员为其部署需求选择最佳模型。
执行摘要
于 2026 年 1 月发布的 YOLO26 代表了 YOLO 系列中最新的最先进（SOTA）技术。它引入了原生端到端（NMS-free）架构，为边缘部署进行了精简，并针对 CPU 性能进行了优化。其前身，于 2024 年 9 月发布的 YOLO11，仍然是一个强大而稳健的选择，尽管 YOLO26 在推理速度（尤其是在非 GPU 硬件上）和架构简洁性方面超越了它。
对于大多数新项目，YOLO26 是推荐的选择，因为它具有卓越的速度-精度权衡和简化的部署流程。
架构演进
从 YOLO11 到 YOLO26 的过渡涉及重大的结构性变化，旨在降低延迟和复杂性，同时保持高精度。
YOLO26：精简且端到端
YOLO26 通过采用原生端到端设计，标志着范式转变。与依赖非极大值抑制（NMS）来过滤重叠边界框的传统 YOLO 模型不同，YOLO26 完全消除了这一步骤。这一突破最初由 YOLOv10 首创，简化了部署流程并降低了推理延迟，使其在 实时应用 中尤其具有优势。
YOLO26 的主要架构创新包括：
- 移除 DFL： 分布式焦点损失（DFL）模块已被移除。这一简化增强了与 边缘设备 的兼容性，并通过移除可能成为低功耗处理器瓶颈的复杂数学运算，加速了向 ONNX 和 TensorRT 等格式的导出。
- MuSGD 优化器： 受大型语言模型（LLM）训练技术的启发，YOLO26 采用了一种结合了 SGD 和 Muon（来自 Moonshot AI 的 Kimi K2）的混合优化器。这带来了更稳定的训练动态和更快的收敛速度。
- ProgLoss + STAL： 渐进式损失平衡（ProgLoss）和小目标感知标签分配（STAL）显著提升了对小目标的性能，这对于无人机图像和 遥感 是一个关键因素。
YOLO11：稳健的前代模型
YOLO11 基于 C3k2 模块和 SPPF（空间金字塔池化 - 快速）模块构建，以提供高效率。它采用了一个经过改进的 C2PSA 模块，并结合了注意力机制以增强特征提取。尽管非常有效，但与 YOLO26 的端到端方法相比，它对 NMS 后处理的依赖在推理过程中引入了轻微的计算开销。
为何端到端至关重要
YOLO26 中 NMS 的移除意味着模型输出所需的后处理代码更少。这降低了部署错误的风险，并确保了稳定的延迟，因为推理时间不会根据检测到的对象数量而波动。
性能基准
下表突出了两种模型在 COCO 数据集上的性能差异。YOLO26 在准确性（mAP）和 CPU 推理速度方面都表现出明显的优势。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (毫秒) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
指标分析
- CPU 推理速度： YOLO26n 在 CPU 上的速度比 YOLO11n 快约 43%（38.9 毫秒 vs. 56.1 毫秒）。这使得 YOLO26 成为在 Raspberry Pi、移动设备和标准 CPU 上部署的卓越选择。
- 准确性 (mAP)： 在所有尺度上，YOLO26 始终实现更高的 平均精度均值。‘nano’模型从 39.5 mAP 显著提升至 40.9 mAP，以更快的速度提供更好的检测质量。
- 模型效率：YOLO26 通常需要更少的参数和 FLOPs 即可获得更好的性能，这说明了架构剪枝和移除 DFL 头所带来的效率提升。
训练与优化
这两种模型都受益于强大的 Ultralytics 生态系统，使训练变得易于访问且高效。
- 易用性： YOLO26 和 YOLO11 都共享相同的统一 python API 和 CLI 接口。在它们之间切换就像更改模型字符串一样简单
yolo11n.pt到yolo26n.pt. - 训练效率：YOLO26 的 MuSGD 优化器有助于稳定训练过程，可能会减少达到收敛所需的 epoch 数量。这节省了计算成本和时间，特别是对于 ImageNet 等大型数据集。
- 内存要求：Ultralytics 模型以其相比基于 Transformer 的替代方案更低的内存占用而闻名。YOLO26 通过移除冗余的头部计算进一步优化了这一点，从而在消费级 GPU 上实现更大的批处理大小。
训练示例
以下是如何使用 Ultralytics Python 包训练最新的 YOLO26 模型：
from ultralytics import YOLO
# Load the YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
任务多样性与应用场景
这两个模型系列支持广泛的计算机视觉任务，包括detect、segment、分类、姿势估计和旋转框检测 (OBB)。
YOLO26 的理想应用场景
- 边缘计算：凭借高达 43% 更快的 CPU 速度，YOLO26 非常适合物联网设备、智能相机以及 GPU 资源不可用的移动应用程序。
- 小目标检测：归功于 ProgLoss 和 STAL，YOLO26 在航空侦察、质量检测和医学影像等场景中表现出色，这些场景中检测微小细节至关重要。
- 实时机器人技术：无 NMS 设计确保了确定性延迟，这对于自主导航和机器人操作中的控制回路至关重要。
YOLO11的理想用例
- 传统系统：对于已针对 YOLO11 架构优化的工作流程，或特定后处理管道围绕 NMS 输出硬编码的场景，YOLO11 仍然是一个稳定且受支持的选择。
- 通用 GPU 推理：在强大的数据中心 GPU（如 T4）上，YOLO11 表现出竞争力，使其适用于服务器端批处理，在这种情况下，CPU 延迟不是主要问题。
生态系统与支持
使用 Ultralytics 模型的最强大优势之一是其周围的生态系统。YOLO26 和 YOLO11 都完全集成到 Ultralytics 平台中，从而实现无缝的模型管理、可视化和部署。
- 文档：全面的指南涵盖了从数据标注到模型导出的所有内容。
- 社区：在GitHub和Discord上活跃的社区确保开发者能够获得支持和共享知识。
- 集成：这两个模型都支持轻松导出到诸如ONNX、OpenVINO和TensorRT等格式，从而促进在不同硬件环境中的部署。
结论
尽管 YOLO11 仍然是一个功能强大的模型，但YOLO26在效率和架构简洁性方面代表着一个显著的飞跃。其端到端设计、降低的 CPU 延迟以及在小目标上的更高精度，使其成为现代计算机视觉应用的卓越选择。无论您是在边缘部署还是在云端训练，YOLO26 都提供了当今最佳的性能和可用性平衡。
模型详情
YOLO26
作者：Glenn Jocher 和 Jing Qiu
组织：Ultralytics
日期：2026-01-14
GitHub | 文档
YOLO11
作者：Glenn Jocher 和 Jing Qiu
组织：Ultralytics
日期：2024-09-27
GitHub | 文档
寻求其他选项的开发者也可以探索YOLOv10以了解早期的端到端概念，或YOLO-World以进行开放词汇 detect 任务。