Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv6-3.0 与 YOLOv7#

实时计算机视觉的发展以架构效率和训练方法的快速进步为标志。在这一领域产生重大影响的两个重要模型是 YOLOv6-3.0 和 YOLOv7。这两个框架都引入了新的技术来平衡推理速度和检测精度，目标应用范围涵盖从高端服务器 GPU 到边缘设备。

这份详尽的技术比较探讨了它们的架构、性能指标和理想用例，同时还强调了现代 Ultralytics Platform 和最新的 YOLO26 模型如何基于这些基础概念来提供卓越的开发者体验。

Link to this sectionYOLOv6-3.0：工业级吞吐量优化#

YOLOv6-3.0 由美团的视觉 AI 部门开发，是专为高吞吐量工业应用设计的。它非常注重在硬件加速器上实现性能最大化，使其成为在专用 GPU 上进行批处理作业的环境的有力竞争者。

  • 作者：Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu 和 Xiangxiang Chu
  • 组织：美团
  • 日期：2023-01-13
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

Link to this section架构创新#

YOLOv6-3.0 依赖于 EfficientRep 主干网络，这是一种硬件友好的架构，旨在优化 GPU 上的内存访问成本。为了增强不同尺度下的特征融合，该模型在其颈部引入了双向拼接 (BiC) 模块。这使得网络能够比以往版本更有效地捕获复杂的空间层次结构。

此外，YOLOv6-3.0 实施了锚点辅助训练 (AAT) 策略。该方法结合了基于锚点训练的丰富梯度信号和无锚点推理的简化部署优势，帮助模型在不牺牲后处理速度的情况下更稳定地收敛。

了解更多关于 YOLOv6 的信息

硬件考量

虽然 YOLOv6-3.0 在服务器级 GPU（如 NVIDIA T4）上表现出色，但它对特定结构重参数化的过度依赖，有时会导致其在纯 CPU 边缘设备上的延迟表现不如较新的架构。

Link to this sectionYOLOv7：“免费赠品包”的先驱#

YOLOv7 由中央研究院的研究人员发布，它采取了不同的方法，重点关注梯度路径分析和不增加推理成本的训练时优化——作者将其称为“可训练的免费大礼包”。

  • 作者: Chien-Yao Wang, Alexey Bochkovskiy, and Hong-Yuan Mark Liao
  • 组织：台湾中央研究院资讯科学研究所
  • 日期: 2022-07-06
  • Arxiv：2207.02696
  • GitHub: WongKinYiu/yolov7

Link to this section架构创新#

YOLOv7 的核心是其 扩展高效层聚合网络 (E-ELAN)。E-ELAN 通过允许不同层学习更多样化的特征而不破坏原始网络拓扑结构来优化梯度路径。这产生了一个极具表现力的模型，能够实现顶级的 平均精度均值 (mAP)。

YOLOv7 还大量使用了模型重参数化技术，在推理过程中将卷积层与批量归一化合并。这减少了参数数量，并在使用 NVIDIA TensorRT 或 ONNX 等框架部署时加快了前向传播速度。

了解更多关于 YOLOv7 的信息

Link to this section性能比较#

当在 MS COCO 数据集上评估这些模型时，我们观察到 YOLOv6 的超轻量级变体与高度参数化、注重精度的 YOLOv7 架构之间存在明显的权衡。

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

数据显示 YOLOv6-3.0n 提供了卓越的推理速度，使其适用于高频视频分析。相反，YOLOv7x 实现了最高的 mAP，在检测精度重于原始帧率的任务中占据优势。

Link to this section应用场景与建议#

在 YOLOv6 和 YOLOv7 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。

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 YOLOv7#

建议在以下情况选择 YOLOv7：

  • 学术基准测试： 重现 2022 年水平的最先进结果，或研究 E-ELAN 和可训练免费赠品包技术的效果。
  • 重参数化研究： 调研规划重参数化卷积和复合模型缩放策略。
  • 现有自定义流水线： 围绕 YOLOv7 特定架构构建了大量定制流水线，且难以轻松重构的项目。

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：迈向未来#

尽管 YOLOv6-3.0 和 YOLOv7 代表了重要的里程碑，但将不同的存储库集成到生产流水线中通常会在 模型部署 和超参数调优方面带来挑战。Ultralytics 生态系统通过提供精简、统一的接口解决了这些痛点。

Link to this section为什么选择 Ultralytics？#

  • 易用性： Ultralytics Python API 允许开发者仅用几行代码即可加载、训练和导出模型。从旧模型切换到最新架构仅需更改一个字符串。
  • 维护良好的生态系统： Ultralytics 提供频繁的更新、活跃的社区支持和强大的 文档。
  • 多功能性： 与主要关注边界框的早期模型不同，Ultralytics 模型原生支持多任务学习，包括 实例分割、姿态估计 和 旋转边界框 (OBB)。
  • 内存需求： 与像 RT-DETR 这样的 Transformer 架构相比，Ultralytics YOLO 模型在训练期间保持较低的内存占用，使研究人员能够在消费级硬件上有效进行训练。

Link to this section升级到 YOLO26#

对于寻求极致性能的开发者，YOLO26（于 2026 年 1 月发布）从根本上改变了 目标检测 的范式。它引入了完全的 端到端无 NMS 设计，消除了复杂的后处理逻辑，并显著降低了边缘设备上的延迟波动。

YOLO26 的关键创新包括：

  • MuSGD 优化器： SGD 和 Muon 的先进混合体，确保了极其稳定的训练动态和更快的收敛速度。
  • 移除 DFL： 通过剔除分布焦点损失 (Distribution Focal Loss)，YOLO26 简化了导出兼容性并提高了在低功耗设备上的性能。
  • ProgLoss + STAL： 先进的损失函数，在小目标识别方面带来了显著改进。
  • 无与伦比的速度： 与前几代产品相比，CPU 推理速度提升高达 43%，非常适合 Raspberry Pi 或 Apple CoreML 等嵌入式系统部署。

该生态系统内其他功能强大的模型包括 YOLO11 和 YOLOv8，它们都为传统硬件集成提供了极佳的性能平衡。

让你的流水线面向未来

通过在 Ultralytics Platform 上构建计算机视觉应用程序，你可以确保立即获得未来的尖端模型，而无需重写数据集加载器或部署脚本。

Link to this section代码示例：精简训练#

以下代码片段演示了使用 Ultralytics API 训练最先进的 YOLO26 模型是多么简单。这个流程完全适用于 YOLO11 或 YOLOv8，去除了旧存储库通常需要的样板代码。

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model for rapid training
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The API handles dataset downloading, augmentation, and hyperparameter configuration
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cuda:0",  # Automatically utilizes PyTorch GPU acceleration
)

# Run an end-to-end, NMS-free inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

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

Link to this section结论#

YOLOv6-3.0 和 YOLOv7 成功解决了实时检测挑战的不同层面。YOLOv6-3.0 是针对专业工业 GPU 环境的强大动力，而 YOLOv7 则通过严谨的梯度路径优化提供了高精度。

然而，对于需要卓越通用性、最小化部署阻力和尖端性能的现代应用程序，Ultralytics YOLO26 是明确的选择。其无 NMS 架构、先进的 MuSGD 优化器以及与 Ultralytics Platform 的深度集成，确保开发者能够比以往更快地部署功能强大且可扩展的视觉 AI 解决方案。

贡献者
GLglenn-jocher14

评论