YOLO26 与 YOLO11 对比#
在构建先进的计算机视觉系统时，选择合适的模型对于平衡精度、延迟和资源效率至关重要。在人工智能快速发展的领域中，Ultralytics 持续突破可能性的边界。这份详细的技术对比探讨了从广受成功认可的 YOLO11 到全新革命性 YOLO26 的转变，为 AI 工程师和研究人员提供做出明智架构决策所需的见解。
模型沿革与元数据#
两种模型均由 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 仓库
- 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 仓库
- 文档： YOLO11 官方文档
架构差异与创新#
从 YOLO11 到 YOLO26 的飞跃涉及模型架构和底层训练方案的根本性转变。YOLO11 为目标检测和多任务学习奠定了稳健的基线，而 YOLO26 则彻底改造了边缘计算的部署流程。
端到端无 NMS 设计#
YOLO26 最重要的升级之一是其原生端到端架构。YOLO11 依赖非极大值抑制 (NMS) 后处理来过滤重叠的边界框，而 YOLO26 则完全省略了这一步骤。这一概念最早由 YOLOv10 开创，显著降低了延迟波动，并简化了不同边缘设备上的部署逻辑。
移除 DFL，提升边缘效率#
YOLO11 使用分布焦点损失 (DFL) 来优化边界框估计。然而，DFL 依赖复杂的 softmax 运算，而低功耗边缘加速器通常对这类运算支持不佳。YOLO26 在不牺牲精度的情况下成功移除了 DFL。这种架构简化大幅提升了嵌入式系统的兼容性，并使 YOLO26 的 CPU 推理速度相比前代产品最高提升 43%。
MuSGD 优化器#
训练稳定性和速度至关重要。YOLO26 引入了 MuSGD 优化器，这是随机梯度下降 (SGD) 与 Muon 的混合优化器，深受 Moonshot AI 的 Kimi K2 在大语言模型训练方面创新的启发。该优化器将语言模型训练的稳定性引入计算机视觉，相比大型 Transformer 替代方案，能够确保更快收敛并减少训练期间的内存占用。
ProgLoss 与 STAL#
对于处理航空影像或无人机应用的研究人员来说，检测微小特征一直是一项挑战。YOLO26 引入了 ProgLoss，并结合 STAL（尺度定向注意力损失），在小目标识别方面相比 YOLO11 带来了显著改进。
性能与指标对比#
在对模型进行正面对比时，YOLO26 展现出明显更高的精度和边缘设备效率，同时保持了 Ultralytics 生态系统一贯的极低内存需求。
| 模型 | 尺寸 （像素） | mAPval 50-95 | 速度 CPU ONNX （毫秒） | 速度 T4 TensorRT10 （毫秒） | 参数量 （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 |
注意：YOLO26 nano（YOLO26n）模型的 CPU 速度相比 YOLO11n 提升了约 ~31%（38.9ms 对比 56.1ms），突显了其边缘优先的设计理念。
适用于各种计算机视觉任务#
两种模型都受益于持续维护的 Ultralytics 生态系统，并通过统一的 Python API 提供无与伦比的易用性。它们不只是目标检测器，更是多任务计算平台。不过，YOLO26 融入了多项任务专属的改进：
- 实例分割： YOLO26 使用改进的语义分割损失和多尺度原型生成，相比 YOLO11 生成更清晰的掩码边界。进一步了解分割工作流。
- 姿态估计： 通过集成残差对数似然估计 (RLE)，YOLO26 大幅提升了复杂人体姿态中的关键点精度。了解姿态估计功能。
- 定向边界框 (OBB)： 专用的角度损失函数解决了长期存在的边界不连续问题，使 YOLO26 在卫星数据流中检测旋转目标时格外可靠。阅读有关 OBB 任务的内容。
- 图像分类： 两种模型都能高效处理高速分类，而 YOLO26 在 ImageNet 上的 top-1 精度略有提升。
训练与推理代码示例#
Ultralytics 以出色的开发者体验广受赞誉。训练 SOTA 模型或运行推理脚本只需几行代码，从而最大限度减少样板代码并提升生产力。此外，与大型 Transformer 网络相比，训练 YOLO 模型所需的 CUDA 内存显著更少。
from ultralytics import YOLO
# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device="0", # Utilize GPU for accelerated training
)
# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Display the clean, instant predictions
results[0].show()理想用例与部署策略#
选择 YOLO26 还是 YOLO11，完全取决于生产环境的约束条件。
何时部署 YOLO26#
YOLO26 是现代全新项目的明确选择。它专为以下场景构建：
- 边缘计算与 IoT： 出色的 CPU 性能和 DFL 移除设计使其成为 Raspberry Pi、Coral NPU 和移动处理器等设备的首选。
- 无人机与航空分析： ProgLoss + STAL 的集成使其能够在广阔的地形中追踪微小的快速移动目标，这是其独特优势。
- 延迟关键型应用： 在自主机器人或制造质量控制中，无 NMS 设计可确保确定性延迟，避免意外的后处理延迟峰值。
何时保留 YOLO11#
虽然 YOLO26 更出色，但 YOLO11 仍然是功能极其强大的模型。以下情况可以继续使用 YOLO11：
- 遗留流程： 现有的 C++ 部署基础设施与旧架构中特定的基于锚框的输出和 NMS 逻辑紧密耦合。
- 学术基线： 你正在发表研究成果，需要一个广受认可的 2024 年标准来对比评测你的新算法。
Ultralytics 生态系统的强大能力#
无论部署 YOLO11 还是 YOLO26，使用 Ultralytics 模型都意味着接入一个维护良好的生态系统，享受频繁更新和广泛的社区支持。
对于企业团队，Ultralytics 平台提供涵盖数据标注、模型训练和无缝云部署的端到端解决方案。从将训练好的权重导出到 CoreML 或 TensorRT，到配置高级超参数调优，这些工具确保你的 AI 生命周期尽可能顺畅。