Ultralytics YOLO27：

YOLOv10 与 YOLO11#

计算机视觉领域在不断发展，新的架构持续拓展实时处理的可能性边界。对于在这一快速发展的领域中探索的开发者和研究人员而言，了解前沿模型之间的细微差异至关重要。这项详细对比探讨了 YOLOv10 和 Ultralytics YOLO11 这两个功能强大的目标检测框架在技术实现、性能权衡和理想使用场景方面的差异。

尽管这两个模型在基准数据集上都取得了出色的结果，但它们底层的设计理念和生态系统集成方式存在显著差异。通过考察它们的架构，我们可以确定哪种方案最符合你的部署限制和项目目标。

YOLOv10：开创无 NMS 端到端检测#

YOLOv10 于 2024 年春季发布，通过直接解决与后处理相关的延迟开销，为传统目标检测流程引入了一种新方法。

YOLOv10 最突出的创新是其一致的双重分配策略，该策略支持无 NMS 训练。传统目标检测器严重依赖 非极大值抑制（NMS） 来过滤冗余的边界框预测。通过移除这一步骤，YOLOv10 实现了真正的端到端检测，降低了推理延迟，并简化了在 神经处理单元（NPUs） 等硬件加速器上的部署，因为在这些设备上，自定义 NMS 操作一直很难优化。

了解更多关于 YOLOv10 的信息

YOLO11：生态驱动的多功能性与性能#

YOLO11 于同年稍晚时候发布，代表了 Ultralytics 模型系列的持续改进，重点在于实现速度、准确率和开发者体验之间的最佳平衡。

YOLO11 专为生产环境而设计。虽然它在标准边界框检测方面表现出色，但其真正优势在于多功能性。与主要专注于目标检测的 YOLOv10 不同，YOLO11 通过统一架构原生支持实例分割、姿态估计、图像分类和定向边界框（OBB）任务。与更庞大的基于 Transformer 的架构相比，它在训练期间的内存需求极低，因此使用消费级 GPU 的团队也能轻松使用。

性能与指标对比#

对这些模型进行并排比较时，务必考察它们在 COCO 数据集 等标准基准测试中不同规模变体的表现。

下表突出了性能差异。在大多数尺寸类别中，YOLO11 的 mAP 通常略胜于 YOLOv10，同时保持极具竞争力的 TensorRT 推理速度。

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）
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9
硬件加速

要在本地复现这种快速推理速度，请确保将模型导出为针对 OpenVINO（适用于 Intel CPU）或 TensorRT（适用于 NVIDIA GPU）等优化格式。

架构深入解析#

训练方法与效率#

YOLOv10 的架构强调减少计算冗余。清华大学的作者采用以整体效率和准确率为导向的策略优化骨干网络与颈部网络设计，使中等规模模型（如 YOLOv10m）的参数量相比之前的版本显著降低。

然而，训练效率是 Ultralytics 模型的一大特点。YOLO11 使用高度完善的 ultralytics Python 软件包，将复杂的超参数调优过程抽象化。该框架开箱即用，能够自动处理高级数据增强、学习率调度和多 GPU 分布式训练。YOLO11 的架构还展现出出色的梯度流，从而在训练阶段实现更快的收敛速度和更低的 VRAM 使用量。

易用性与生态系统优势#

企业采用时的一个关键因素是维护良好的生态系统。研究代码仓库虽然具有开创性，但在论文最初发表后往往会停止维护。支持 YOLO11 的 Ultralytics 生态系统提供了无缝的端到端开发者体验。

YOLO11 可与用于实验跟踪的 Weights & Biases 和用于数据集管理的 Roboflow 等工具无缝集成，从而加速从原型到生产环境的过渡。其易用性体现在简洁的 API 中，开发者只需几行代码即可训练和导出模型。

from ultralytics import YOLO

# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")

# Export to ONNX format for deployment flexibility
model.export(format="onnx")

使用场景与建议#

在 YOLOv10 和 YOLO11 之间进行选择，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 YOLOv10#

YOLOv10 适合：

  • 无 NMS 实时检测： 适用于能够从无需非极大值抑制的端到端检测中受益的应用，可降低部署复杂性。
  • 速度与准确率的平衡： 适用于需要在各种模型规模之间实现推理速度和检测准确率良好平衡的项目。
  • 延迟稳定的应用： 适用于推理时间可预测至关重要的部署场景，例如机器人技术或自主系统。

何时选择 YOLO11#

推荐在以下场景使用 YOLO11：

  • 生产级边缘部署： 在 Raspberry Pi 或 NVIDIA Jetson 等设备上运行的商业应用，其中可靠性和持续维护至关重要。
  • 多任务视觉应用： 需要在统一框架中实现检测、分割、姿态估计和 OBB 的项目。
  • 快速原型开发与部署： 需要借助简洁高效的 Ultralytics Python API，快速完成从数据采集到生产部署的团队。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 在性能和开发者体验之间提供了最佳组合：

  • 无 NMS 边缘部署： 适用于需要稳定、低延迟推理，同时又不希望引入非极大值抑制后处理复杂性的应用。
  • 仅使用 CPU 的环境： 适用于没有专用 GPU 加速的设备，此时 YOLO26 最高提升 43% 的 CPU 推理速度将带来决定性优势。
  • 小目标检测： 适用于航空无人机影像或 IoT 传感器分析等具有挑战性的场景，在这些场景中，ProgLoss 和 STAL 能显著提升微小目标的准确率。

探索其他架构#

虽然 YOLOv10 和 YOLO11 都是出色的选择，但你的具体使用场景可能更适合文档中提供的其他架构。对于基于序列的推理，像 RT-DETR 这样的 Transformer 模型能够提供较高的准确率，但通常需要更多内存。相反，如果你需要在无需重新训练的情况下识别新类别的零样本能力，YOLO-World 通过自然语言提示提供了开放词汇方法。

新一代模型：YOLO26#

对于追求绝对前沿技术的团队，近期发布的 Ultralytics YOLO26 融合了上述两个模型的最佳特性。YOLO26 于 2026 年 1 月发布，是现代部署场景的终极推荐方案。

YOLO26 在前代模型的基础上，原生集成了端到端无 NMS 设计，有效消除了 YOLOv10 首先解决的后处理瓶颈，同时将这一能力融入稳健的 Ultralytics 框架中。此外，YOLO26 还支持 DFL 移除（分布焦点损失），大幅简化模型导出图，并增强了与边缘设备和低功耗 IoT 设备的兼容性。

随着 MuSGD 优化器的引入，训练稳定性也实现了跨代提升。这种混合方法受到 LLM 训练方法的启发，能够确保极快的收敛速度。结合 ProgLoss + STAL 等先进损失函数，YOLO26 在小目标识别方面取得了显著改进。在标准边缘设备上部署时，这些架构改进可带来最高 43% 的 CPU 推理加速，使 YOLO26 成为适用于所有计算机视觉任务的无与伦比的选择。

贡献者
GLglenn-jocher15PDpderrenger1

评论