YOLO26 与 YOLO11 对比#
构建计算机视觉系统时，选择合适的模型意味着要在准确率、延迟和资源效率之间取得平衡。这份技术对比涵盖从 Ultralytics YOLO11 到更新的 YOLO26 的演进，为 AI 工程师和研究人员提供做出明智架构决策所需的详细信息。
模型沿革与元数据#
两个模型均由 Ultralytics 开发，但它们代表了目标检测和多任务视觉模型发展历程中的不同范式。
YOLO26 详情：
- 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
YOLO11 详情：
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2024-09-27
- GitHub： Ultralytics 代码库
- 文档： YOLO11 官方文档
架构差异与创新#
从 YOLO11 迁移到 YOLO26 会同时改变模型架构和训练方案。YOLO11 为目标检测和多任务学习确立了坚实基线，而 YOLO26 则重新设计了面向边缘计算的部署路径。
端到端免 NMS 设计#
YOLO26 最重要的升级之一是原生端到端推理。YOLO11 依赖非极大值抑制 (NMS)后处理来过滤重叠边界框，而 YOLO26 可通过可选的一对一检测头（nms=False）完全跳过这一步。这种方法由 YOLOv10 首先引入 YOLO 系列，可降低延迟波动，并简化在各种边缘设备上的部署逻辑。
移除 DFL，提升边缘端效率#
YOLO11 使用分布焦点损失 (DFL) 来优化边界框估计。但 DFL 依赖 softmax 运算，而低功耗边缘加速器通常对这类运算支持不佳。YOLO26 移除了 DFL，同时不牺牲准确率。这一简化提升了对嵌入式系统的兼容性，并帮助 YOLO26n 的 CPU 推理速度最高达到 YOLO11n 的 1.43 倍。
MuSGD 优化器#
YOLO26 引入了 MuSGD 优化器，它结合了随机梯度下降 (SGD) 和 Muon，灵感来自 Moonshot AI 的 Kimi K2 在大型语言模型 (LLM) 训练方面的创新。它将语言模型训练的稳定性带入计算机视觉，并加快收敛速度。
ProgLoss 和 STAL#
对于处理航拍影像或无人机应用的研究人员来说，小目标检测一直是一项长期挑战。YOLO26 引入了 ProgLoss，并结合小目标感知标签分配 (STAL)，在小目标识别方面优于 YOLO11。
性能与指标对比#
在从 +1.4（n）到 +2.8（x）的所有尺寸下，YOLO26 的 mAP 都高于 YOLO11，同时参数量和 FLOPs 相近。YOLO26n 和 YOLO26s 的 CPU 速度也更快，而较大的 YOLO11 模型在 CPU 延迟方面仍有优势。
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
注：YOLO26n 的 CPU ONNX 延迟比 YOLO11n 低约 ~31%（38.9 毫秒对比 56.1 毫秒），体现了其以边缘部署为先的设计。
适用于多种计算机视觉任务#
两款模型都受益于持续维护的 Ultralytics 生态系统及其统一的 Python API，并且都支持检测、分割、分类、姿态估计和 OBB。YOLO26 还增加了语义分割和深度估计，以及多项针对特定任务的改进：
- 实例分割： YOLO26 使用语义分割损失和多尺度原型模块，相比 YOLO11 提升了掩码质量。了解更多关于分割工作流的信息。
- 姿态估计： YOLO26 通过集成残差对数似然估计 (RLE)，提升了复杂人体姿态的关键点准确率。了解 姿态估计功能。
- 有向边界框 (OBB)： 专用角度损失函数解决了边界不连续问题，使 YOLO26 在卫星影像中检测旋转目标时更加可靠。了解 OBB 任务。
- 图像分类： 两款模型都能高效执行高速分类，其中 YOLO26 在 ImageNet 上的 top-1 准确率略有提升（n 型号为 71.4%，而 YOLO11n 为 70.0%）。
训练与推理代码示例#
使用 Ultralytics 训练模型或运行推理只需几行代码。训练 YOLO 模型所需的 CUDA 内存也比大型 Transformer 网络更少。
from ultralytics import YOLO
# 加载 YOLO26 nano 模型
model = YOLO("yolo26n.pt")
# 在 COCO8 数据集上高效训练模型
# 较长的训练任务中，`optimizer="auto"` 会选择 MuSGD
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # 使用 GPU 加速训练
)
# 直接对图像执行免 NMS 推理
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# 显示清晰、即时的预测结果
results[0].show()理想应用场景与部署策略#
选择 YOLO26 还是 YOLO11，取决于你的生产环境所面临的约束。
何时部署 YOLO26#
YOLO26 是新项目的推荐选择，专为以下场景打造：
- 边缘计算和物联网： 得益于 CPU 性能和 DFL 移除，它非常适合 Raspberry Pi、Coral Edge TPU 和移动处理器等设备。
- 无人机与航拍分析： ProgLoss + STAL 可提升在广阔场景中检测和跟踪快速移动小目标的能力。
- 对延迟要求严格的应用： 在自主机器人或制造质量控制中，可选的无 NMS 检测头（
nms=False）能够保持延迟稳定，避免后处理造成的延迟峰值。
何时继续使用 YOLO11#
YOLO11 仍然是一款实力不俗的模型。以下情况你可以继续使用 YOLO11：
- 遗留流水线： 现有的 C++ 部署基础设施与你的 YOLO11 特定输出格式和 NMS 逻辑紧密耦合。
- 学术基线： 你正在发表研究，需要以广受认可的 2024 年基线来评估新算法。
Ultralytics 生态系统的优势#
无论你部署 YOLO11 还是 YOLO26，Ultralytics 模型都拥有维护良好的生态系统、频繁的更新和庞大的社区。
对于企业团队，Ultralytics Platform 提供端到端解决方案，涵盖数据标注、模型训练和云部署。ultralytics 软件包涵盖生命周期中的其他环节，从超参数调优到将训练权重导出为 CoreML 或 TensorRT。