YOLO Vision 2026：

YOLOv5 对比 YOLO11#

在为新项目选择合适的计算机视觉架构时，了解最先进模型的发展演变至关重要。从早期架构到现代统一框架的演进，彰显了算法效率和开发者体验方面的重大飞跃。本指南对 Ultralytics 开发的两个里程碑式模型进行了深入的技术对比：开创性的 YOLOv5 和高度优化的 YOLO11。

模型简介#

这两种架构都代表了实时目标检测领域的重大里程碑，根据你的部署环境和旧有需求，它们各自提供独特的优势。

YOLOv5：行业主力#

发布于 2020 年夏季的 YOLOv5 凭藉原生的 PyTorch 实现迅速成为行业标准，极大地降低了训练和部署的入门门槛。它摆脱了前辈们复杂的 Darknet C 框架，为模型构建提供了一种 Python 风格的方法。

YOLOv5 为易用性建立了强大的基准，并引入了强大的训练方法，包括先进的 Mosaic 数据增强和自动锚框（auto-anchoring）。对于在经过充分文档化、经过严格测试的代码库基础上进行构建的研究人员来说，它依然非常受欢迎。

了解更多关于 YOLOv5 的信息

YOLO11：统一视觉框架#

基于多年的反馈和架构研究，YOLO11 作为统一框架的一部分被引入，能够原生处理多种视觉任务。它超越了单纯的边界框，从底层设计上实现了最大的多功能性和效率。

YOLO11 通过 ultralytics Python 包提供简化的用户体验，拥有一个将目标检测、实例分割、分类、姿态估计和旋转边界框 (OBB) 统一起来的简单 API。它在速度和准确率之间实现了极佳的平衡，非常适合各种真实世界的部署场景。

了解更多关于 YOLO11 的信息

集成平台

这两个模型都受益于 Ultralytics Platform 提供的维护良好的生态系统。这个集成环境简化了数据集标注、云端训练以及跨各种硬件目标的模型导出。

性能与指标对比#

对这些模型进行的直接对比揭示了架构改进如何转化为切实的性能提升。下表展示了在 COCO dataset 上评估的平均精度均值 (mAP)，以及 CPU 和 GPU 推理速度和参数量。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
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

结果分析#

这些指标突显了 YOLO11 在性能平衡方面实现的显著飞跃。例如，YOLO11n (nano) 模型实现了 39.5% 的 mAP，而 YOLOv5n 为 28.0%，同时通过 ONNX 导出时减少了 CPU 推理时间。此外，与沉重的基于 Transformer 的模型相比，YOLO11 在训练期间保持了显著较低的内存需求，使其非常易于在消费级硬件和边缘设备上部署。

架构差异#

YOLO11 的性能改进源于多项关键的架构演进。YOLOv5 使用了带有 C3 模块的标准 CSPNet 主干，而 YOLO11 引入了更高效的特征提取块，如 C2f 和后来的 C3k2，优化了梯度流并降低了计算开销。

YOLO11 还采用了一个经过深度改进的头部。更新后的 Ultralytics 架构不再采用旧模型的锚框（anchor-based）设计，而是转向了无锚框（anchor-free）方法。这减少了框预测的数量，简化了后处理流程，并提高了模型在不同尺度和宽高比上泛化能力。此外，这些模型拥有卓越的训练效率以及随时可用的预训练权重，可加速微调数据集的收敛。

实现与代码示例#

Ultralytics 生态系统的突出特点之一是其简洁性。虽然 YOLOv5 普及了使用 torch.hub 进行快速推理的做法，但 YOLO11 通过统一的 ultralytics Python 包将这一点推向了新的高度。

使用 YOLO11 进行训练#

加载、训练和验证模型只需极少的样板代码。API 可以无缝处理超参数调整和模型管理。

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")

# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")

YOLOv5 的旧有推理#

如果你正在维护旧的流水线，YOLOv5 直接与 PyTorch 的原生加载机制集成，使其可以轻松嵌入到现有的推理脚本中。

import torch

# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")

# Print prediction details to the console
results.print()
部署灵活性

两个模型都支持丰富的导出格式。无论你是面向使用 TensorRT 的 NVIDIA Jetson 还是使用 CoreML 的 iOS 应用程序，部署过程都有详尽的文档支持并且拥有社区的支持。

理想使用场景#

在这些模型之间进行选择，主要取决于你项目的生命周期阶段和具体需求。

何时选择 YOLOv5#

  • 维护旧版代码库： 如果你的生产环境围绕 YOLOv5 仓库结构或特定的超参数演化技术进行了大量定制。
  • 学术基准： 在发表需要与 2020-2022 年既定计算机视觉标准进行直接基准测试的研究时。

何时选择 YOLO11#

  • 多任务项目： 当你的应用程序需要使用单一的统一 API 组合诸如姿态估计和实例分割等任务时。
  • 边缘部署： 对于在给定的计算预算（FLOPs）下榨取最大 mAP 至关重要的边缘计算场景。
  • 商业 AI 解决方案： 非常适合零售和安全领域的企业级应用，并可借助 Ultralytics Platform 的强大支持。

下一代：Ultralytics YOLO26#

虽然 YOLO11 在速度和准确率之间实现了梦幻般的平衡，但人工智能领域发展迅猛。对于今天开始新项目的开发者，我们强烈建议探索视觉 AI 的最新标准：Ultralytics YOLO26。

YOLO26 于 2026 年 1 月发布，引入了专门针对现代部署需求设计的范式转换进步：

  • 端到端无需 NMS 设计： 基于 YOLOv10 中首次提出的概念，YOLO26 原生支持端到端。它消除了对非极大值抑制（NMS）后处理的需求，显著简化了部署流水线并降低了延迟。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等模型的 LLM 训练创新启发，这种 SGD 和 Muon 的混合体确保了极其稳定的训练和显著更快的收敛速度。
  • 前所未有的 CPU 速度： 通过移除分布焦点损失（DFL），YOLO26 的 CPU 推理速度提升高达 43%，使其成为边缘设备和没有专用 GPU 环境的绝对最佳选择。
  • 高级损失函数： ProgLoss 和 STAL 的集成在小目标识别方面取得了显著改进，这对于无人机分析、物联网和机器人技术至关重要。
  • 特定任务增强： 它引入了专门的优化，例如用于姿态估计的残差对数似然估计 (RLE) 以及用于旋转边界框的专门角度损失，确保在所有计算机视觉任务中都能实现卓越的性能。

了解更多关于 YOLO26 的信息

对于对标准目标检测之外的专门架构感兴趣的用户，你可能还会探索诸如用于基于 Transformer 检测的 RT-DETR，或是用于开放词汇跟踪和检测的 YOLO-World 等模型。拥抱这些维护良好、高度优化的工具可确保你的计算机视觉管道保持高效、可扩展且始终领先。

贡献者
GLglenn-jocher13PDpderrenger1

评论