YOLO26 与 YOLOv8 对比#

计算机视觉模型力求在不牺牲准确率的前提下实现实时性能，而对于从事机器学习的开发者来说，选择合适的模型架构至关重要。这份技术对比涵盖从 Ultralytics YOLOv8（2023 年发布、广泛应用的架构）到 Ultralytics YOLO26（2026 年 1 月发布）的演进。

通过对比两者的架构、性能指标和训练方法，本文展示了升级模型在哪些方面有利于目标检测、分割等任务。

模型背景与元数据#

了解这些架构的起源，有助于理解其设计选择。两款模型都由 Ultralytics 开发，该公司致力于让视觉 AI 更易获取和部署。

YOLO26 详情：

• 作者： Glenn Jocher 和 Jing Qiu
• 组织： Ultralytics
• 日期： 2026-01-14
• GitHub： https://github.com/ultralytics/ultralytics
• 文档： https://docs.ultralytics.com/models/yolo26

YOLOv8 详情：

• 作者： Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
• 组织： Ultralytics
• 日期： 2023-01-10
• GitHub： https://github.com/ultralytics/ultralytics
• 文档： https://docs.ultralytics.com/models/yolov8

架构创新#

从 YOLOv8 迁移到 YOLO26 会改变网络生成预测和计算损失的方式。

YOLO26：边缘效率#

YOLO26 旨在消除部署瓶颈，并最大限度提升受限硬件上的推理速度。

• 端到端、无需 NMS 的设计：在 YOLOv10 将无需 NMS 的训练引入 YOLO 模型的基础上，YOLO26 通过可选的一对一检测头（nms=False）支持端到端推理。通过跳过非极大值抑制（NMS）后处理，它降低了延迟波动，并简化了对实时性有严格要求的应用的部署逻辑。
• 移除 DFL： 移除分布焦点损失 (DFL) 简化了输出检测头。这一架构选择提升了对低功耗边缘设备的兼容性，也让模型更容易导出为 ONNX 和 CoreML 等格式。
• MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等大型语言模型（LLM）所展现的训练稳定性启发，YOLO26 使用 MuSGD 优化器——随机梯度下降与 Muon 的混合方案。这将 LLM 训练理念引入计算机视觉，从而实现更快的收敛和更稳定的训练过程。
• ProgLoss + STAL： 为解决小目标识别这一难题，YOLO26 实现了渐进式损失（ProgLoss）与小目标感知标签分配（STAL）的结合。这提升了小目标检测效果，使其非常适合无人机应用。

YOLOv8：功能全面的主力模型#

YOLOv8 于 2023 年发布时，通过全面转向无锚框设计树立了新的标杆，这种设计能够更好地适应不同的数据集宽高比。

• C2f 模块： 它以 C2f 模块取代了较早的 C3 模块，从而改善了网络主干中的梯度流动。
• 解耦头： YOLOv8 采用解耦头，分类和边界框回归分别计算，从而提升平均精度均值（mAP）。
• 任务多样性： 它是首批开箱即用地为检测、分割、图像分类、姿态估计以及后续 OBB 任务提供统一 API 的模型之一。

性能指标与资源需求#

在为生产环境评估模型时，准确率、推理速度和模型大小之间的平衡至关重要。YOLO26 在所有尺寸下都比 YOLOv8 更准确，参数量和 FLOPs 更少，并且从 s 尺寸开始，T4 TensorRT 延迟也更低。

注意：突出显示的数值体现了 YOLO26 架构相较于前代模型在性能平衡和效率方面的提升。

分析#

在大多数尺寸下，YOLO26 的 CPU 推理速度都快于同级 YOLOv8 模型。例如，YOLO26n 使用 ONNX 在 CPU 上的运行时间为 38.9 毫秒，而 YOLOv8n 为 80.4 毫秒，同时 mAP 从 37.3 提升到 40.9。这种 CPU 效率提升主要得益于移除 DFL 和采用无 NMS 检测头，使 YOLO26 非常适合缺少专用 GPU 的环境。YOLOv8x 是个例外，它在 CPU 上的运行速度比 YOLO26x 快（479.1 毫秒对比 525.8 毫秒）。

此外，YOLO26 各尺寸级别的模型参数量和 FLOPs 都更低，因此在推理和训练期间可减少GPU 内存占用。

Ultralytics 生态系统的优势#

选择 AI 模型时，一个重要考量是配套基础设施。YOLO26 和 YOLOv8 都受益于统一的 Ultralytics Platform和相同的开发者体验。

1. 易于使用： 开发者只需几行代码即可加载、训练和导出模型。不同代际模型的 Python API 保持一致。
2. 训练效率： 与 Transformer 模型（如 RT-DETR）相比，Ultralytics YOLO 模型在训练时通常需要更少的 CUDA 内存。这使你能够在消费级硬件上使用更大的批次大小。
3. 维护良好的生态系统： Ultralytics 代码仓库持续更新，采用严格的 CI/CD 流水线，并与 Weights & Biases 和 TensorRT 等工具深度集成，已达到生产就绪状态。
4. 多功能性： 通过单次导入即可处理多种任务和数据集，支持需要同时进行跟踪、分类和分割的复杂系统。

实际应用#

选择哪种模型通常取决于你的部署限制，不过新项目推荐使用 YOLO26。

边缘计算与物联网网络#

对于边缘环境，例如 Raspberry Pi 部署或工厂车间的本地传感器，YOLO26 是更好的选择。它的 CPU 速度和可选无 NMS 检测头有助于智能摄像头处理高帧率视频，用于停车管理，而不会受到后处理瓶颈的影响。

高空与航空影像#

在农业监测或使用无人机进行基础设施巡检时，小目标检测至关重要。YOLO26 中的 ProgLoss + STAL 实现有助于检测微小害虫或管道上的细微裂纹，而 YOLOv8 等较早的架构可能会漏检这些目标；在 VisDrone 等航拍数据集上训练时，这一能力尤其有用。

老旧 GPU 系统#

YOLOv8 对于与其特定边界框回归输出紧密耦合的系统，或锁定在较长验证周期内、无法轻易迁移架构的企业部署场景，仍然适用。

用例与建议#

选择 YOLO26 还是 YOLOv8，取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLO26#

以下场景适合选择 YOLO26：

• 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
• 仅使用 CPU 的环境： 没有专用 GPU 加速的设备；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
• 小目标检测： 在无人机航拍影像等具有挑战性的场景或物联网传感器分析中，ProgLoss 和 STAL 能提升小目标检测准确率。

何时选择 YOLOv8#

以下情况推荐使用 YOLOv8：

• 多任务通用部署： 项目需要在 Ultralytics 生态系统中使用经过验证的模型，完成检测、分割、分类和姿态估计。
• 成熟的生产系统： 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
• 广泛的社区与生态系统支持： 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

代码示例：快速入门#

以下 Python 代码演示如何在 COCO8 数据集上训练 YOLO26 模型并运行无 NMS 推理。

from ultralytics import YOLO

# 加载高效的 YOLO26 Nano 模型
model = YOLO("yolo26n.pt")

# 在标准 COCO8 数据集上训练
# 自动应用默认超参数和数据增强
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # 第一块 CUDA GPU；使用 device="cpu" 在 CPU 上训练
)

# 对源图像运行端到端无 NMS 推理
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 可视化检测结果
predictions[0].show()

其他值得考虑的模型#

虽然 YOLO26 是推荐使用的 Ultralytics 模型，但构建多样化应用的开发者也可以考虑：

• YOLO11：YOLO26 的直接前代版本，在 YOLOv8 的基础上进行了改进，目前仍广泛用于生产系统。
• RT-DETR：百度的实时检测 Transformer。对于探索视觉任务中注意力机制的研究人员来说，这是一个不错的选择，不过它的训练所需 CUDA 内存比标准 Ultralytics YOLO 模型更多。

如需在同一处完成云端训练、数据集标注和部署，请查看 Ultralytics Platform。