开始使用

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:

YOLO11 详情:

其他架构

YOLO26 是最先进的 Ultralytics 实时模型,但使用专用硬件或拥有充足内存预算的用户,也可以考虑 RT-DETR 等基于 Transformer 的架构,或首个无 NMS 的 YOLO 模型 YOLOv10。

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)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

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。

评论2

提出问题、分享结果,或帮助其他人。

  1. CoLndGitHub

    Hello, thank you for this article. I'm seeing that the best speed upgrade is 31% between 11n and 26n, where does the "up to 43% acceleration" come from please? Thank you have a nice day

    1. Murat Raimbekov

      your math is right - YOLO26n at 38.9 ms vs YOLO11n at 56.1 ms is ~31% lower latency, which is what the in-page note on this comparison reflects. the "up to 43% faster" headline expresses the same two numbers as a throughput speedup instead: 56.1 / 38.9 ≈ 1.44, so YOLO26n processes ~44% more frames per second on the same CPU than YOLO11n, marketed as "up to 43% faster". both describe the identical benchmark, just two different conventions:

      • latency reduction: (56.1 - 38.9) / 56.1 = ~31%
      • throughput speedup: 56.1 / 38.9 - 1 = ~44% (rounded down to "up to 43%" in the headline)

      a cleaner restatement: YOLO26n delivers up to ~43% faster CPU ONNX inference than YOLO11n, corresponding to ~31% lower latency in the benchmark table. the "up to" qualifier reflects that nano is where the gap is largest - on s/m/l/x tiers the gap is smaller (or negative on the larger ones), so the headline is bound to the best case. we will look at tightening the wording in the docs so the two metrics read clearly side by side.

      thanks for flagging.