YOLO26 与 YOLOv8：下一代目标检测的进步

计算机视觉的发展始终致力于在不牺牲准确性的前提下追求实时性能。随着开发人员和研究人员深入机器学习的领域，选择合适的模型架构至关重要。这份详尽的技术对比探讨了从 Ultralytics YOLOv8（一种在 2023 年重新定义了标准的广受欢迎的架构）到 2026 年 1 月发布的尖端 Ultralytics YOLO26 之间的代际飞跃。

通过深入研究它们的架构、性能指标和训练方法，我们重点说明了升级到最新创新技术为何能为目标检测、分割等领域提供明显的优势。

模型背景与元数据

了解这些架构的起源为它们各自的突破提供了背景。这两个模型均由 Ultralytics 开发，该公司以让最先进的 AI 变得易于访问和部署而闻名。

YOLO26 详情：\n作者：Glenn Jocher 和 Jing Qiu\n组织：Ultralytics\n日期：2026-01-14\nGitHub：https://github.com/ultralytics/ultralytics\n文档：https://docs.ultralytics.com/models/yolo26/

了解关于 YOLO26 的更多信息

YOLOv8 详情：\n作者：Glenn Jocher, Ayush Chaurasia 和 Jing Qiu\n组织：Ultralytics\n日期：2023-01-10\nGitHub：https://github.com/ultralytics/ultralytics\n文档：https://docs.ultralytics.com/models/yolov8/

了解更多关于 YOLOv8 的信息

架构创新

从 YOLOv8 到 YOLO26 的过渡，在神经网络处理视觉数据和计算损失的方式上引入了重大的范式转变。

YOLO26：边缘效率的巅峰

YOLO26 从底层进行工程化设计，旨在消除部署瓶颈并最大化受限硬件上的推理速度。

端到端 NMS-Free 设计： 在 YOLOv10 开创性概念的基础上，YOLO26 原生采用端到端架构。通过完全消除对非极大值抑制 (NMS) 后处理的需求，几乎根除了延迟波动。这简化了需要严格实时保障的应用的部署逻辑。
移除 DFL： 移除分布式焦点损失 (DFL) 极大地简化了输出头。这一架构选择使得模型能更好地兼容低功耗边缘设备，并能更简单地导出为 ONNX 和 CoreML 等格式。
MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等大语言模型 (LLM) 训练稳定性的启发，YOLO26 使用了 MuSGD 优化器——这是随机梯度下降 (SGD) 和 Muon 的混合体。这将大语言模型规模的训练创新引入了计算机视觉领域，实现了更快的收敛和高度稳定的训练过程。
ProgLoss + STAL： 为了应对识别微小目标这一众所周知的难题，YOLO26 实现了渐进式损失 (ProgLoss) 并结合了尺度容忍锚框损失 (STAL)。这为小目标检测提供了关键改进，使其成为无人机应用的理想选择。

任务特定改进

YOLO26 在多个计算机视觉领域也带来了针对性升级。它利用语义分割损失和多尺度原型来实现更好的实例分割，利用残差对数似然估计 (RLE) 实现高精度的姿态估计，并利用专门的角度损失算法来解决旋转边界框 (OBB) 中的边界问题。

YOLOv8：极其通用的主力模型

YOLOv8 在 2023 年发布时，通过全面转向无锚框设计确立了新的基准，该设计在不同数据集的长宽比上具有更好的泛化能力。

C2f 模块： 它用 C2f 块替换了较旧的 C3 模块，从而实现了跨网络主干的更好梯度流。
解耦头： YOLOv8 采用了解耦头，其中分类和边界框回归是独立计算的，这显著提升了平均精度均值 (mAP)。
任务通用性： 它是首批为图像分类、检测、分割和姿态任务提供真正统一且开箱即用 API 的模型之一。

性能指标和资源要求

在评估生产环境模型时，准确性、推理速度和模型大小之间的平衡至关重要。YOLO26 在所有尺寸版本中都表现出了明显的代际优势。

模型	尺寸 ^(像素)	mAP^val 50-95	速度 ^{CPU ONNX (ms)}	速度 ^{T4 TensorRT10 (ms)}	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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

注：高亮数值展示了 YOLO26 架构相较于其前代产品在性能平衡和效率提升方面的优势。

分析

与类似的 YOLOv8 模型相比，YOLO26 实现了惊人的 CPU 推理速度提升高达 43%。例如，YOLO26n 在使用 ONNX 的 CPU 上达到 38.9 毫秒，而 YOLOv8n 为 80.4 毫秒，同时将 mAP 从 37.3 提高到了 40.9。这种 CPU 效率的巨大飞跃直接归功于 DFL 的移除和 NMS-free 设计，使 YOLO26 成为缺乏专用 GPU 环境的绝对强者。

此外，YOLO26 模型在各自的尺寸等级中具有更少的参数数量和 FLOPs，与传统的基于 Transformer 的架构相比，这意味着在推理和训练期间可大幅降低 GPU 内存的使用。

Ultralytics 生态系统的优势

在选择 AI 模型时，一个主要的考量是周边基础设施。YOLO26 和 YOLOv8 都从统一的 Ultralytics Platform 中获益匪浅，从而提供了无与伦比的开发者体验。

易用性： “从零到英雄”的理念确保开发人员只需极少的代码即可加载、训练和导出模型。Python API 在各模型代际间保持一致。
训练效率： 与 Transformer 模型（如 RT-DETR）相比，Ultralytics YOLO 模型在训练过程中所需的 CUDA 内存显著更低。这允许在消费级硬件上使用更大的批次大小，从而实现了 AI 研究的平民化。
维护完善的生态系统： 在持续的更新、严苛的 CI/CD 流水线以及与 Weights & Biases 和 TensorRT 等工具深度集成的支持下，Ultralytics 代码库非常强大且适用于生产环境。
无与伦比的多功能性： Ultralytics 模型并非只会一招；单一导入即可处理多种数据集，为需要同时进行追踪、分类和分割的复杂系统增强了工作流。

精简升级

由于 Ultralytics API 高度标准化，将生产系统从 YOLOv8 升级到 YOLO26 实际上只需将脚本中的字符串 "yolov8n.pt" 更改为 "yolo26n.pt" 即可。

现实世界应用

在这两款模型间做选择通常取决于你的部署限制，但对于新项目，普遍推荐使用 YOLO26。

边缘计算与物联网网络

对于边缘环境（例如 Raspberry Pi 部署或本地化的工厂车间传感器），YOLO26 是无可争议的冠军。其原生优化的 CPU 速度和 NMS-free 结构意味着智能摄像头可以处理高帧率视频以用于停车管理，而不会因为后处理瓶颈导致丢帧。

高空和航拍影像

在农业监测或通过无人机进行基础设施巡检时，小目标检测至关重要。YOLO26 中实现的 ProgLoss + STAL 使其能够持续检测到像 VisDrone 这样数据集中的微小害虫或微小管道裂缝（这是旧架构如 YOLOv8 可能会遗漏的），在这些数据集上提供了卓越的召回率和精确度。

传统 GPU 系统

YOLOv8 对于那些深度耦合其特定边界框回归输出的系统，或者处于延长验证周期且无法轻易迁移架构的企业部署而言，依然具有重要意义。

用例与建议

在 YOLO26 和 YOLOv8 之间做出选择取决于你的特定项目要求、部署约束和生态系统偏好。

何时选择 YOLO26

YOLO26 是以下场景的理想选择：

无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
小目标检测： 具有挑战性的场景，如航拍无人机图像或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

何时选择 YOLOv8

推荐在以下情况下使用 YOLOv8：

多任务通用部署： 需要在 Ultralytics 生态系统内使用经过验证的模型进行检测、分割、分类和姿态估计的项目。
已建立的生产系统： 已经基于 YOLOv8 架构构建且拥有稳定、经过充分测试的部署流水线的现有生产环境。
广泛的社区和生态系统支持： 能从 YOLOv8 丰富的教程、第三方集成和活跃的社区资源中受益的应用。

代码示例：快速入门

利用最新 Ultralytics 模型的强大功能非常直接。以下 Python 代码演示了如何在自定义数据集上训练 YOLO26 模型，并观察 MuSGD 优化器自动推动快速收敛的过程。

from ultralytics import YOLO

# Load the highly efficient YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train on the standard COCO8 dataset
# The ecosystem handles hyperparameter tuning and augmentations natively
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes CUDA if available
)

# Run end-to-end, NMS-free inference on a source image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the resulting detections
predictions[0].show()

其他值得考虑的模型

虽然 YOLO26 代表了当前的最先进技术，但构建多样化应用的开发人员也可以探索以下模型：

YOLO11：YOLO26 的直接前身，比 YOLOv8 提供了卓越的改进，并且在尖端的生产系统中仍被广泛使用。
RT-DETR：百度的实时检测 Transformer (Real-Time DEtection TRansformer)。对于研究视觉任务中注意力机制的研究人员来说，这是一个极好的选择，尽管与标准 Ultralytics YOLO 模型相比，它在训练时需要更多的 CUDA 内存。

如需全面的云训练、数据集标注和即时部署套件，请立即探索 Ultralytics Platform。

Contributors

GLglenn-jocher⁴

Created 4个月前Updated 上周