YOLO26 与 YOLOX 对比#
2021 年，YOLOX 引入了颇具影响力的无锚框设计，弥合了学术研究与工业应用之间的差距，推动实时目标检测发展。2026 年 1 月，Ultralytics YOLO 发布了 YOLO26。本次比较将探讨 YOLO26 如何建立在早期创新的基础上，以及它在性能、功能多样性和易用性方面有哪些不同。
模型概述#
了解这些模型的起源和核心理念，是做出明智部署决策的关键。
YOLO26 详情#
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2026-01-14
- GitHub： Ultralytics GitHub 代码库
- 文档： YOLO26 官方文档
YOLO26 是最新的 Ultralytics YOLO 模型，提供可选的端到端无 NMS 检测头 (nms=False)，可消除后处理瓶颈。它针对云端和边缘部署进行了优化，其生态系统支持多种视觉任务。
YOLOX 详情#
- 作者：郑革、刘松涛、王峰、李泽明和孙剑
- 机构：旷视科技
- 日期：2021-07-18
- arXiv：YOLOX 技术报告
- GitHub：YOLOX GitHub 仓库
- 文档：YOLOX 文档
YOLOX 是一次重大进步，它引入了解耦头和无锚框架构，以及 SimOTA 标签分配策略。发布之初，它在速度和精度之间取得了出色的平衡，因此成为许多旧版系统的热门选择。
架构创新#
YOLO26 与 YOLOX 之间的差异，体现了 2021 至 2026 年深度学习设计领域的进展。
YOLOX 倡导了无锚框方案，但仍依赖传统的非极大值抑制（NMS）来筛除冗余边界框。YOLO26 增加了可选的端到端、无需 NMS 的检测头（nms=False）。这一方案由 YOLOv10 引入 YOLO 模型，跳过 NMS 后处理，从而打造更快、更简单且延迟波动更低的部署流程。
此外，YOLO26 还移除了 DFL。移除分布焦点损失可简化导出流程，并提升与边缘设备和低功耗硬件的兼容性。结合其他架构优化，YOLO26n 在 CPU 上的速度最高提升 43%，快于 YOLO11n，因此非常适合缺少专用 GPU 的环境。
训练稳定性是另一个关键差异。YOLO26 使用MuSGD 优化器，这是一种结合 SGD 与 Muon 的混合优化器，受到 Moonshot AI 的 LLM 训练创新启发。该优化器将大语言模型训练的稳定性带入计算机视觉，有助于加快收敛。
YOLO26 使用 ProgLoss + STAL，这是一套渐进式损失平衡方案和一种小目标感知标签分配策略，可提升小目标识别能力。这对处理航空影像和分析密集环境等任务尤为重要。
性能与基准测试#
在 COCO 数据集上，YOLO26 在每个可比尺寸下的 mAP 都高于 YOLOX（例如，s 模型为 48.6 对比 40.5），且 T4 TensorRT 延迟更低。
| 模型 | 尺寸 (像素) | mAPval50-95 | 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
注意：YOLO26x 的 mAP 为 57.5，参数量为 55.7M；YOLOXx 的 mAP 为 51.1，参数量为 99.1M。
生态系统与易用性#
选择 YOLO26 的一大优势是它拥有 Ultralytics 提供的维护良好的生态系统。YOLOX 需要开发者自行处理研究代码库和环境配置，而 Ultralytics 提供了更简单的开发体验。
使用统一的 Python API，开发者可以轻松切换任务，例如目标检测、实例分割、语义分割、深度估计、图像分类、姿态估计和 OBB。YOLOX 则仅支持边界框检测。
训练示例#
使用 Ultralytics 在自定义数据集上训练模型非常高效。训练流水线的 CUDA 显存占用较低，因此与许多旧架构或大型 Transformer 模型相比，你可以在消费级硬件上使用更大的批次大小。
from ultralytics import YOLO
# 初始化 YOLO26 small 模型
model = YOLO("yolo26s.pt")
# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 将训练好的模型导出为 ONNX 格式，以便部署
model.export(format="onnx")Ultralytics Platform 进一步完善了这一工作流程，为团队从原型走向生产提供云端训练、AI 辅助数据集标注和部署选项。
理想用例和实际应用#
合适的模型取决于你的部署环境。
边缘 AI 和物联网#
对于需要在有限硬件上进行本地处理的应用，例如智能安防报警系统或远程环境传感器，YOLO26 是更好的选择。它可选的无 NMS 检测头和快速的 CPU 执行能力，使其能够在 Raspberry Pi 等设备上运行，无需复杂的量化变通方案。
自主机器人#
机器人应用需要高精度和低延迟。YOLO26 的姿态估计能力借助残差对数似然估计 (RLE) 得到增强，可帮助机器人实时理解人体运动学。YOLOX 缺少原生关键点检测能力，因此不适合这类高级人机交互任务。
高空与航空检查#
通过无人机检查基础设施时，检测微小缺陷至关重要。YOLO26 中的 ProgLoss 和 STAL 可提升小目标召回率。此外，YOLO26 原生支持有向边界框 (OBB)，并配有用于解决边界问题的专用角度损失，因此非常适合处理物体朝向任意的卫星和航空影像。
旧版部署#
YOLOX 在一些遗留环境中仍有用武之地，例如现有 C++ 部署流水线明确围绕其 2021 年特定的解耦检测头输出构建的场景。新项目建议迁移到 Ultralytics 生态系统，以获得性能提升和持续的社区支持。
探索其他模型#
YOLO26 是推荐的 Ultralytics 模型，但该生态系统还提供了多种针对特定需求设计的模型。对于对基于 Transformer 的架构感兴趣的开发者，RT-DETR 提供了另一种端到端检测方案。此外，对于需要大量历史基准测试的生产环境，YOLO11 仍是经过充分验证的选择。
总之，从 YOLOX 到 YOLO26 的演进展现了该领域的飞速进步。YOLO26 具备直观的 API、多样的功能和出色的效率，是研究人员和开发者的推荐选择。