Link to this sectionYOLOv5 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。

Link to this section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。

Link to this sectionYOLOv5：行业主力#

YOLOv5 于 2020 年夏季发布，凭借其原生的 PyTorch 实现迅速成为行业标准，极大地降低了训练和部署的门槛。它摒弃了其前辈复杂的 Darknet C 框架，提供了更加 Pythonic 的模型构建方式。

• 作者： Glenn Jocher
• 组织： Ultralytics
• 日期： 2020-06-26
• GitHub： ultralytics/yolov5
• 文档： YOLOv5 文档

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

Link to this sectionYOLO11：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。

• 作者： Glenn Jocher 和 Jing Qiu
• 组织： Ultralytics
• 日期： 2024-09-27
• GitHub： ultralytics/ultralytics
• 文档： YOLO11 文档

YOLO11 通过 ultralytics Python 包提供了精简的用户体验，拥有一个简单的 API，统一了 目标检测、实例分割、分类、姿态估计和旋转边界框（OBB）。它在速度和精度之间取得了非常理想的平衡，使其非常适合各种实际部署场景。

了解更多关于 YOLO11 的信息

Link to this section性能与指标对比#

对这些模型进行直接对比，可以揭示架构上的改进如何转化为切实的性能提升。下表展示了在 COCO 数据集 上评估的平均精度均值（mAP），以及 CPU 和 GPU 的推理速度和参数量。

Link to this section结果分析#

这些指标突显了 YOLO11 在 性能平衡 方面实现的巨大飞跃。例如，YOLO11n (nano) 模型达到了 39.5% 的 mAP，而 YOLOv5n 为 28.0%，同时通过 ONNX 导出时还缩短了 CPU 推理时间。此外，与沉重的 Transformer 模型相比，YOLO11 在训练期间保持了显著更低的内存需求，使其非常易于在消费级硬件和边缘设备上部署。

Link to this section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 还具有经过大幅改进的检测头（head）。与旧模型基于锚框（anchor-based）的设计不同，较新的 Ultralytics 架构采用了无锚框（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纵横比下的泛化能力。此外，这些模型拥有卓越的 训练效率，并且提供现成的预训练权重，可加速微调数据集的收敛。

Link to this section实现与代码示例#

Ultralytics 生态系统的显著特点之一就是简单。虽然 YOLOv5 普及了使用 torch.hub 进行快速推理，但 YOLO11 通过统一的 ultralytics Python 包更进一步。

Link to this section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")

Link to this sectionYOLOv5 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()

Link to this section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。

Link to this section何时选择 YOLOv5#

• 维护旧有代码库： 如果你的生产环境是围绕 YOLOv5 仓库结构或特定的 超参数进化 技术进行了深度定制。
• 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。

Link to this section何时选择 YOLO11#

• 多任务项目： 当你的应用需要使用单个统一 API 混合执行 姿态估计 和 实例分割 等任务时。
• 边缘部署： 针对 边缘计算 场景，在给定的计算预算（FLOPs）下压榨出最大 mAP 至关重要时。
• 商业 AI 解决方案： 利用 Ultralytics Platform 的强大支持，非常适合零售和安防领域的企业级应用。

Link to this section下一代：Ultralytics YOLO26#

虽然 YOLO11 在速度和精度之间取得了出色的平衡，但人工智能领域发展迅速。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。
• 任务特定增强： 它引入了专业优化，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 的专业角度损失，确保在所有计算机视觉任务中均能获得卓越性能。

了解更多关于 YOLO26 的信息

对于对标准目标检测之外的专用架构感兴趣的用户，你可能还想探索诸如 RT-DETR 这样的 Transformer 模型，或用于开放词汇跟踪和检测的 YOLO-World。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流水线保持高效、可扩展并处于领先地位。