Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv7 与 RTDETRv2：实时目标检测的技术对比#

计算机视觉领域正持续快速演进，深受卷积神经网络 (CNN) 与视觉 Transformer (ViT) 之间竞争的影响。本技术对比深入探讨了两种重量级架构：YOLOv7（一种高度优化的基于 CNN 的目标检测器）和 RTDETRv2（一种最先进的实时检测 Transformer）。

通过分析它们的架构差异、性能指标和理想部署场景，开发人员在将这些视觉 AI 模型集成到生产流水线时可以做出明智的决策。

Link to this sectionYOLOv7：基于“免费赠品包”（Bag-of-Freebies）的 CNN 架构#

YOLOv7 为传统的 YOLO 系列引入了多项颠覆性的结构优化，通过一系列“可训练的免费赠品包”突破了实时目标检测的极限。

关键特征： 作者：Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
组织：Institute of Information Science, Academia Sinica
日期：2022-07-06
Arxiv：https://arxiv.org/abs/2207.02696
GitHub：WongKinYiu/yolov7

Link to this section架构与优势#

YOLOv7 得益于其扩展高效层聚合网络 (E-ELAN) 架构。这种结构设计使模型能够在不破坏原始梯度路径的情况下学习更多样化的特征。此外，它还结合了规划重参数化卷积，在不降低准确性的前提下优化了推理速度。其可训练的“免费赠品包”方法使其在速度和准确性之间实现了令人印象深刻的权衡，非常适合服务器级 GPU 上的 实时目标检测 任务。

YOLOv7 也具有极高的通用性。除了标准的边界框检测外，该代码库还提供了 姿态估计 和 实例分割 的分支，证明了其适应性。

Link to this section局限性#

像许多传统 CNN 模型一样，YOLOv7 依赖于非极大值抑制 (NMS) 进行后处理。NMS 引入了可变的延迟，尤其是在拥挤的场景中，这可能会让边缘设备上的严格实时性保证变得复杂。

了解更多关于 YOLOv7 的信息

Link to this sectionRTDETRv2：实时 Transformer 的进步#

RTDETRv2 构建于原始 RT-DETR 框架之上，进一步证明了 Transformer 在实时延迟方面可以与 YOLO 架构竞争，同时保持高空间准确性。

关键特征： 作者：Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, Yi Liu
组织：Baidu
日期：2024-07-24
Arxiv：https://arxiv.org/abs/2407.17140
GitHub：lyuwenyu/RT-DETR

Link to this section架构与优势#

RTDETRv2 代表了视觉 Transformer 的重大进步。它利用灵活的查询选择过程和高效的混合编码器来快速处理多尺度特征。通过引入专门为检测 Transformer (DETRs) 量身定制的新“免费赠品包”，它将空间推理推向了极限。由于它原生无需 NMS，它提供了确定性的推理时间，这对严格的 智慧城市应用 和自动驾驶来说是一个关键特性。

Link to this section局限性#

尽管有这些进步，RTDETRv2 仍带有基于 Transformer 架构的传统负担。与 CNN 相比，它在训练和推理期间都需要显著更多的 CUDA 显存。此外，其训练收敛时间明显更长，需要大量高质量的标注数据（如 COCO 数据集）和繁重的计算资源。

了解更多关于 RTDETRv2 的信息

Link to this section性能比较#

在对这些模型进行基准测试时，我们必须从包含精度、原始推理速度和计算占用空间的整体视角来看待。以下是直接对比表。

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)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
解读基准测试

虽然 RTDETRv2-x 宣称在 mAPval 上达到了绝对最高的 54.3%，但它需要高达 2590 亿次 FLOPs。相反，YOLOv7 架构提供了极好的基准，但深受传统 NMS 开销的影响，这些开销在纯网络延迟指标中并未完全体现出来。

Link to this sectionUltralytics 的优势：生态系统与演进#

虽然 YOLOv7 和 RTDETRv2 提供了强大的功能，但在生产环境中部署它们往往会遇到物流摩擦。这就是 Ultralytics 生态系统 的卓越之处。Ultralytics 框架专为无缝端到端集成而设计，为开发人员提供了一个统一的 API，抽象化了计算机视觉流水线中典型的复杂性。

Link to this section无与伦比的多功能性和内存效率#

与消耗大量显存的刚性 Transformer 模型不同，Ultralytics YOLO 模型保持了严格的内存效率。这使得在易于访问的硬件上能够快速进行 模型训练。该生态系统从单个代码库原生支持多种计算机视觉任务，包括 图像分类 和 旋转边界框 (OBB) 检测，提供了 RTDETRv2 目前所缺乏的灵活性。

Link to this section无缝部署#

从研究转向生产需要强大的部署选项。Ultralytics API 原生处理一键式 模型导出 到行业标准格式。无论你是针对 ONNX 进行跨平台兼容，还是针对 TensorRT 进行最大的 GPU 加速，流水线都是完全自动化且可靠的。

Link to this section终极升级：Ultralytics YOLO26#

对于在 YOLOv7 和 RTDETRv2 之间纠结的开发人员来说，前进的最佳路径实际上是视觉 AI 的新标准：Ultralytics YOLO26。YOLO26 发布于 2026 年 1 月，架起了 CNN 速度与 Transformer 精密推理之间的桥梁，同时彻底消除了它们各自的弱点。

了解更多关于 YOLO26 的信息

YOLO26 引入了专为服务器和边缘部署量身定制的突破性创新：

  • 端到端无需 NMS 的设计： YOLO26 最早开创于 YOLOv10，原生消除了 NMS 后处理。这确保了 RTDETRv2 的确定性延迟，而没有 Transformer 的繁重计算开销。
  • MuSGD 优化器： 受大语言模型训练技术（如 Moonshot AI 的 Kimi K2）的启发，YOLO26 使用了 SGD 和 Muon 的混合体。与 ViT 使用的标准 AdamW 实现相比，这提供了前所未有的训练稳定性和显著更快的收敛速度。
  • ProgLoss + STAL： 这些先进的损失函数在小目标识别方面产生了显著改进，直接与 RTDETRv2 的多尺度特征优势竞争，这对 机器人自动化 至关重要。
  • 边缘优化与 DFL 移除： 通过移除分布焦点损失 (DFL)，YOLO26 精简了输出头，实现了高达 43% 的 CPU 推理加速，使其比重型 Transformer 模型在边缘设备上更具可部署性。

Link to this section使用 Ultralytics 的训练示例#

Ultralytics Python API 的简单性允许你仅用几行代码即可训练最先进的 YOLO26 模型：

from ultralytics import YOLO

# Load the highly efficient YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset
# The framework automatically manages data augmentation and hyperparameter tuning
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Effortlessly export to TensorRT for deployment
model.export(format="engine", dynamic=True)

Link to this section理想使用场景#

选择正确的架构在很大程度上取决于部署限制和硬件可用性：

何时考虑 YOLOv7：

  • 以 YOLOv7 为既定基准的传统研究项目。
  • 原始 GPU 加速资源充足且 NMS 延迟抖动在可接受范围内的环境。

何时考虑 RTDETRv2：

  • 需要绝对最高 mAP 的高端服务器部署。
  • 严格要求确定性推理延迟（无需 NMS）的场景，前提是你有足够的显存来支持其 Transformer 主干。

何时选择 Ultralytics YOLO26：

  • 几乎总是。 它提供了 RTDETRv2 的无 NMS 确定性，超过了 YOLOv7 的速度和准确性，使用的显存显著减少，并完全集成到 Ultralytics Platform 中，可实现轻松的数据集管理、训练和部署。
探索更多模型

想了解其他架构的表现如何吗？深入探索我们对之前几代模型（如 YOLO11 和 YOLOv8）的深入研究，或了解如何利用 超参数调优 来最大化项目的准确性。

贡献者
GLglenn-jocher13SEsergiuwaxmann1PDpderrenger1

评论