Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv6-3.0 与 YOLOv10 对比#

计算机视觉领域日益复杂，如何选择最优模型已成为开发人员和机器学习工程师面临的关键决策。在评估 对象检测与 Ultralytics YOLO 模型的发展历程 时，理解不同架构方案之间的权衡至关重要。本指南针对 YOLOv6-3.0 与 YOLOv10 提供了全面的技术对比，这两款模型分别针对工业和边缘部署场景提供了独特的优势。

Link to this section深入了解 YOLOv6-3.0：专为工业吞吐量打造#

YOLOv6-3.0 的开发旨在最大化服务器端工业应用中的吞吐量，其优先考虑硬件加速器（尤其是 GPU）上的快速推理。通过采用优化后的骨干网络，该模型力求在高速视频处理与具有竞争力的精度之间取得平衡。

作者：Chuyi Li, Lulu Li, Yifei Geng 等 组织：Meituan 日期：2023-01-13 Arxiv: 2301.05586 GitHub: meituan/YOLOv6

Link to this section架构亮点#

YOLOv6-3.0 的核心在于其硬件友好的设计。它在颈部架构中集成了一个双向拼接（Bi-directional Concatenation, BiC）模块，以增强多尺度特征融合。此外，该网络利用了一种锚点辅助训练（Anchor-Aided Training, AAT）策略，巧妙地将 基于锚点的检测器 在训练过程中的稳定性与无锚点范式下的推理速度结合在了一起。

该模型由 EfficientRep 骨干网络驱动，在重型 制造业自动化 任务中表现出色，尤其是在以强大的 NVIDIA 硬件（如 T4 或 A100 GPU）进行批处理的标准场景下。虽然它在服务器集群中表现优异，但其对特定硬件优化的依赖使其在低功耗边缘 CPU 上的效率相对较低。

了解更多关于 YOLOv6 的信息

Link to this section深入了解 YOLOv10：无 NMS 先驱#

YOLOv10 于一年后推出，它解决了传统检测流水线中最持久的瓶颈之一，即非极大值抑制（NMS）后处理，从而改变了行业范式。

作者：Ao Wang, Hui Chen, Lihao Liu 等 组织：Tsinghua University 日期：2024-05-23 Arxiv: 2405.14458 GitHub: THU-MIG/yolov10

Link to this section架构亮点#

YOLOv10 对该领域的主要贡献在于其端到端的无 NMS 设计。通过在训练期间使用一致的双重分配，该网络强制每个对象仅输出一个高质量边界框，从而消除了推理过程中对启发式 NMS 操作的需求。这一创新显著降低了端到端 推理延迟，并极大地简化了在神经处理单元（NPU）等边缘设备上的部署逻辑。

此外，该模型拥有整体性的效率-精度驱动设计。通过对各层进行全面优化，YOLOv10 大幅减少了计算冗余。这使其非常适合资源受限的环境，包括 自动驾驶车辆 和边缘机器人。

了解更多关于 YOLOv10 的信息

Link to this section详细性能对比#

在对这些模型进行基准测试时，性能通常通过精度、速度和参数效率来衡量。下表展示了不同规模的这些架构的表现。

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)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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

Link to this section分析#

与 YOLOv6-3.0 相比，YOLOv10 在同等规模类别中始终表现出更优的 平均精度均值 (mAP)。例如，YOLOv10n 仅需 230 万参数即可达到 39.5% 的 mAP，而 YOLOv6-3.0n 使用两倍以上的参数仅获得 37.5% 的分数。不过，YOLOv6-3.0n 在 T4 GPU 上实现了略快的纯 TensorRT 推理延迟（1.17ms），显示了其针对并行处理硬件的深度优化。

部署注意事项

虽然 GPU 上的原始延迟指标在微基准测试中可能略微偏向 YOLOv6，但 YOLOv10 的无 NMS 特性通常会带来更快的 真实世界 端到端流水线速度，特别是在后处理可能成为 CPU 瓶颈的边缘硬件上。

Link to this section应用场景与建议#

选择 YOLOv6 还是 YOLOv10，取决于你的具体项目需求、部署限制和生态系统偏好。

Link to this section何时选择 YOLOv6#

YOLOv6 是以下情况的强力选择：

  • 工业级硬件感知部署： 在这种场景下，模型对硬件的感知设计和高效重参数化可在特定目标硬件上提供优化的性能。
  • 快速单阶段检测： 在受控环境中，优先考虑 GPU 上的原始推理速度以进行实时视频处理的应用。
  • 美团生态系统集成： 已经在 美团 技术栈和部署基础设施内工作的团队。

Link to this section何时选择 YOLOv10#

推荐使用 YOLOv10 的情况：

  • 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
  • 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
  • 延迟一致的应用： 在机器人或自动驾驶系统等对可预测推理时间有严格要求的部署场景中。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：

  • 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this sectionUltralytics 的优势：为什么 YOLO26 是更优选择#

虽然 YOLOv6-3.0 和 YOLOv10 提供了扎实的基准架构，但现代生产环境要求模型既能达到峰值精度，又具备极高的易用性。这正是 Ultralytics YOLO26 模型框架从根本上超越独立学术发布版本之处。

YOLO26 发布于 2026 年 1 月，融合了过去几年中最优秀的创新，并将它们整合在一个精心维护的生态系统中。

Link to this sectionYOLO26 的关键创新#

  • 端到端无 NMS 设计： 基于 YOLOv10 开创的理念，YOLO26 原生消除了 NMS 后处理，从而实现了更流畅、更可预测的推理时间，这使得其 更容易部署到生产环境。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等大语言模型优化的启发，这种 SGD 与 Muon 的混合优化器确保了极高的训练稳定性以及显著更快的收敛速度。
  • CPU 推理速度提升高达 43%： 对于边缘设备，YOLO26 采用了特定的架构简化，使其在物联网芯片和消费级 CPU 上的部署优势显著。
  • 移除 DFL： 移除分布式焦点损失（Distribution Focal Loss）简化了头部导出，极大地提高了与 OpenVINO 或 NCNN 等低功耗部署引擎的兼容性。
  • ProgLoss + STAL： 先进的损失函数配方显著提高了对小目标的识别精度，这对 无人机 UAV 操作 和远距离目标跟踪至关重要。

此外，与单一任务存储库不同，Ultralytics 生态系统开箱即用地处理大量视觉任务，包括边界框检测、实例分割、图像分类 和 姿态估计。

Link to this section训练效率与内存优化#

Ultralytics YOLO 模型相较于 RT-DETR 等复杂的基于 Transformer 的架构 的一个关键优势在于其训练过程中极低的 CUDA 内存消耗。开发人员可以在消费级 GPU 上或通过免费云资源轻松微调 YOLO26，从而显著促进 AI 开发的普及。

Link to this section代码示例：YOLO26 入门#

Ultralytics Python API 提供的易用性让你只需几行代码即可加载、训练和测试模型。

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Evaluate model performance on validation data
metrics = model.val()

# Run real-time NMS-free inference on a target image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for cross-platform deployment
model.export(format="onnx")

了解更多关于 YOLO26 的信息

Link to this section结论与备选方案#

在选择 YOLOv6-3.0 和 YOLOv10 时，决策取决于部署环境。YOLOv6-3.0 依然适用于专注于视频批处理的高吞吐量、GPU 丰富的服务器后端。YOLOv10 则提供了一种更智能、无 NMS 的架构，更适合平衡精度与复杂的边缘集成需求。

然而，对于寻求零折中性能，并希望获得全面文档支持、通过 Ultralytics 平台 进行云端日志记录以及多任务通用性的开发人员来说，YOLO26 是最终的推荐选择。

对于遗留基础设施需求，团队也可以研究上一代 Ultralytics YOLO11，或者探索 YOLO-World 以获取独特的开放词汇检测能力。

贡献者
GLglenn-jocher16PDpderrenger1

评论