Ultralytics YOLO27：
Get Started

YOLOv10 与 YOLOv9#

实时计算机视觉的发展，离不开速度、精度和架构效率方面的持续突破。为下一次部署评估现代方案时，对比 YOLOv10 和 YOLOv9，可以深入了解解决深度学习瓶颈的两种不同方法。YOLOv9 专注于在训练期间最大化梯度信息流，而 YOLOv10 则开创了原生端到端设计，彻底消除传统后处理障碍。

本指南全面分析了两者的架构创新、性能指标和理想应用场景，帮助开发者和研究人员为具体计算机视觉任务选择最合适的模型。

YOLOv10：免 NMS 端到端检测的先驱#

YOLOv10 旨在解决传统目标检测器的延迟瓶颈，引入了革命性的端到端架构，原生移除了对非极大值抑制 (NMS) 的需求。

技术详情与沿革：

进一步了解 YOLOv10

架构与优势#

YOLOv10 对该领域最重要的贡献，是用于免 NMS 训练的一致双重分配策略。移除 NMS 后，模型显著降低了推理延迟，尤其是在后处理可能成为整个流水线瓶颈的边缘设备上。YOLOv10 从效率和精度两个角度优化了多个组件，形成了在速度与参数量之间实现显著权衡的模型。例如，YOLOv10-S 变体速度极快，非常适合高速视频分析和实时机器人导航。

缺点#

免 NMS 设计为边界框检测带来了开创性进展，但 YOLOv10 主要针对纯目标检测进行优化。它缺少较新生态系统开箱即用的多功能性，无法原生支持实例分割或姿势估计。

导出 YOLOv10

将 YOLOv10 用于生产环境时，务必确保将模型导出为 TensorRT 或 ONNX 等优化格式。在部署时直接运行原始 PyTorch 权重，可能会因计算图操作未优化而导致推理速度低于预期。

YOLOv9：可编程梯度信息#

在 YOLOv10 之前，YOLOv9 引入了新颖的架构概念，用以解决深度神经网络固有的信息瓶颈问题，从而实现对参数的高效利用。

技术详情与沿革：

了解有关 YOLOv9 的更多信息

架构与优势#

YOLOv9 引入了可编程梯度信息 (PGI) 和通用高效层聚合网络 (GELAN)。PGI 可确保关键目标信息在数据经过网络深层时不会丢失，并为权重更新生成可靠的梯度。GELAN 则最大限度地提升网络参数的效率。这些创新结合起来，使 YOLOv9 在 MS COCO 数据集上实现了极高的平均精度均值（mAP，且往往以更少的 FLOPs 超越更庞大的模型。对于专注于最大化理论精度指标的研究人员来说，它是一款出色的模型。

缺点#

尽管精度很高，YOLOv9 仍依赖标准 NMS 后处理。这意味着神经网络运算虽然速度快，但最终的边界框筛选会因场景中的目标密度不同而产生不定的延迟。此外，与后续模型相比，它的训练过程可能非常消耗内存；使用自定义数据集微调时，需要更强大的 GPU 资源。

性能对比#

下表展示了两款模型的核心指标。请注意，YOLOv10 通常通过 TensorRT 实现更低延迟，而 YOLOv9 则在最大规格配置中突破了精度上限。

模型尺寸
(像素)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

新一代模型：YOLO26 为何是首选#

YOLOv9 和 YOLOv10 都是令人瞩目的里程碑，但机器学习领域发展迅速。在现代生产环境中，开发者越来越依赖集成完善且维护良好的 Ultralytics Platform 生态系统。截至 2026 年，对于研究和企业应用，明确的推荐选择是新发布的 YOLO26。

YOLO26 以其前代模型的基础理念为依托，通过精简的用户体验、简洁的 API，以及训练期间远低于庞大 Transformer 架构的内存需求，进一步提升了模型能力。

YOLO26 的关键创新#

  • 端到端免 NMS 设计： 在 YOLOv10 的突破基础上，YOLO26 支持原生端到端推理，并通过 nms=False 跳过 NMS 后处理，从而简化部署并实现高度确定的延迟表现。
  • CPU 推理速度最高提升 43%： 开箱即针对边缘 AI进行了优化，是缺少专用 GPU 的嵌入式系统的理想选择。
  • MuSGD 优化器： SGD 和 Muon 的开创性混合方案（灵感来自大语言模型优化方法），可确保训练过程高度稳定、收敛速度极快。
  • 移除 DFL： 通过移除分布焦点损失，YOLO26 简化了模型导出流程，大幅提升了与低功耗设备及各种边缘部署框架的兼容性。
  • 针对特定任务的改进： 与专门针对单一任务的检测器不同，YOLO26 是一款多功能模型。它使用语义分割损失提升像素级精度，使用残差对数似然估计 (RLE) 实现精准的姿势估计，并使用专用角度损失解决 OBB（旋转框）边界问题。
Ultralytics 生态系统的优势

选择 YOLO11 或 YOLO26 等 Ultralytics 模型，可以获得无与伦比的易用性。你可以使用持续活跃的开发、蓬勃发展的社区和频繁更新，确保模型始终兼容 OpenVINO 和 CoreML 等最新推理引擎。

实际实现#

使用 Python SDK 训练和部署这些模型非常简单。以下示例演示了如何利用 Ultralytics 生态系统高效的训练流程，该流程会自动处理超参数调度和最佳内存分配。

from ultralytics import YOLO

# 加载推荐的先进模型
model = YOLO("yolo26n.pt")  # 也兼容 'yolov10n.pt' 或 'yolov9c.pt'

# 在自定义数据集上高效训练模型
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# 执行超高速推理
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# 导出为 ONNX，简化边缘部署
model.export(format="onnx")

用例与建议#

选择 YOLOv10 还是 YOLOv9，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#

以下场景适合使用 YOLOv10：

  • 无 NMS 的实时检测：适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率：适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用：适用于推理时间可预测性至关重要的部署场景，例如机器人或自主系统。

何时选择 YOLOv9#

以下场景推荐使用 YOLOv9：

  • 信息瓶颈研究：研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
  • 梯度流优化研究：重点研究如何理解并缓解训练期间深层网络层中的信息损失。
  • 高准确率检测基准测试：需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 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：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

结论#

YOLOv9 和 YOLOv10 各有优势。YOLOv9 展现了网络参数效率和理论梯度流的极致优化能力，因此精度出众。与此同时，YOLOv10 是端到端边界框检测领域的学术先驱，无需承受 NMS 带来的延迟损失。

不过，对于追求性能、多功能性和易用性完美平衡的开发者来说，升级到最新模型至关重要。凭借先进的 MuSGD 优化器、可提升小目标检测能力的 ProgLoss + STAL 功能，以及全面的多任务支持，YOLO26 为各种真实世界的计算机视觉挑战提供了明确领先的先进解决方案。

贡献者
GLglenn-jocher18

评论