Ultralytics YOLO27：

YOLOv7 与 YOLO26#

计算机视觉的发展经历了多个重要里程碑，将传统架构与现代最先进模型进行比较，可以为机器学习工程师提供宝贵的洞见。这项技术对比深入探讨了具有重大影响力的 YOLOv7 与革命性的 Ultralytics YOLO26 之间的差异，重点介绍架构、训练方法和部署效率方面的进步。

YOLOv7：“免费赠品包”先锋#

YOLOv7 于 2022 年年中推出，通过引入多项架构优化，在不增加推理成本的情况下提升了准确率，拓展了 GPU 硬件所能实现的性能边界。

模型详情

YOLOv7 引入了可训练的“免费赠品包”概念，大量采用重新参数化技术，并扩展了高效层聚合网络（E-ELAN）。这使模型能够学习更多样化的特征，并持续提升网络的学习能力，同时不会破坏原始梯度路径。虽然它在当时的 COCO 基准测试中取得了令人印象深刻的先进成果，但其架构仍高度依赖基于锚框的输出，并且需要复杂的 非极大值抑制（NMS） 后处理，这可能在部署期间造成延迟瓶颈。

了解更多关于 YOLOv7 的信息

YOLO26：边缘优先的视觉 AI 标准#

Ultralytics YOLO26 于 2026 年 1 月发布，代表了一次范式转变，通过彻底重新思考检测流程，将部署易用性、训练稳定性和硬件效率置于首要位置。

模型详情

YOLO26 从底层构建，旨在解决现代工程挑战。其架构带来了多项关键创新，在性能上显著超越了前代模型：

  • 端到端无 NMS 设计： YOLO26 原生消除了 NMS 后处理，这是由 YOLOv10 首创的突破性方法。这带来了更快、更简洁的部署流程，避免了拥挤场景通常造成的可变延迟。
  • 移除 DFL： 通过移除分布焦点损失（DFL），模型的导出过程得到大幅简化，与边缘设备和低功耗 IoT 硬件的兼容性显著提升。
  • CPU 推理速度最高提升 43%： 得益于架构简化和结构化剪枝，YOLO26 专门针对边缘计算和没有专用 GPU 的设备进行了优化，在标准处理器上的性能轻松超越旧架构。
  • MuSGD 优化器： YOLO26 受到大型语言模型训练技术（特别是 Moonshot AI 的 Kimi K2）的启发，采用 MuSGD 优化器——它是 随机梯度下降 与 Muon 的混合体。这为计算机视觉任务带来了无与伦比的训练稳定性和更快的收敛速度。
  • ProgLoss + STAL： 引入这些先进的损失函数后，小目标识别能力得到显著提升，这对于 航空影像、机器人技术和自动化质量检测至关重要。
  • 特定任务改进： 除了标准的 目标检测 外，YOLO26 还为 分割任务 引入了多尺度 proto 和专用语义分割损失，为 姿态估计 引入了残差对数似然估计（RLE），并采用专用角度损失算法来解决 有向边界框（OBB） 中的边界问题。
迁移到 YOLO26

从旧架构升级到 YOLO26，只需将 Python 代码中的模型字符串改为 yolo26n.pt。Ultralytics 软件包会处理整个迁移过程，包括自动下载权重和缩放配置。

性能与指标对比#

比较计算占用时，YOLO26 在平衡性能与内存需求方面展现出明显优势。基于 Transformer 的模型或旧式大型架构通常需要分配大量 CUDA 内存，而 YOLO26 可以在消费级 GPU 上高效训练。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
T4 TensorRT10
（毫秒）		参数量
（M）		FLOPs
（B）
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

如上所示，YOLO26m 模型以更少于三分之一的参数量（20.4M 对比 71.3M）达到与大型 YOLOv7x 相当的准确率（53.1 mAP），并通过 TensorRT 实现极快的推理速度。

Ultralytics 生态系统优势#

部署传统模型通常需要处理复杂的第三方代码库、依赖地狱和手动导出脚本。相比之下，Ultralytics Platform 提供了维护良好且 cohesively integrated 的生态系统，简化了整个机器学习生命周期。

  • 易用性： 借助直观的 Python API 和详尽的文档，你可以在几分钟内完成模型标注、训练和部署。导出为 ONNX 或 CoreML 等格式只需一行代码。
  • 内存需求： Ultralytics 模型以低内存占用著称。与一些庞大的视觉 Transformer 不同，YOLO26 可以在标准硬件上轻松进行微调，而不会遇到内存不足（OOM）错误。
  • 多功能性： YOLOv7 主要是一个目标检测器（尽管也有用于其他任务的实验性分支），而 YOLO26 是一个原生统一框架，能够同样出色地处理检测、分类、跟踪、姿态和 OBB。
其他 Ultralytics 模型

虽然 YOLO26 是推荐标准，但迁移传统系统的开发者也可以探索 YOLO11。它是 Ultralytics 产品线中另一款功能强大的新一代模型，可为长期支持项目提供出色的稳定性。

代码示例：训练与部署#

以下示例展示了 ultralytics 软件包简洁优雅的易用性。与为旧模型调用冗长的命令行参数相比，你可以看到其接口多么简洁。

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

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

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

实际应用场景#

选择合适的架构完全取决于你的生产环境约束。

适合考虑 YOLOv7 的场景： YOLOv7 对于依据 2022 年标准进行学术基准测试仍然是一个有价值的工具。如果你的基础设施大量使用深度传统 CUDA 流水线，这些流水线已将 YOLOv7 的特定锚框输出深度硬编码其中，且你无法投入资源进行重构，那么它仍将继续作为稳健的基线检测器运行。

适合选择 YOLO26 的场景： 对于任何新项目，YOLO26 都是明确的选择。其无 NMS 架构非常适合低延迟的 自主导航 和实时安防系统。移除 DFL 以及大幅提升的 CPU 速度，使其成为边缘 AI 部署的无可争议之选，例如部署在 Raspberry Pi 上或消费电子设备内部。此外，ProgLoss + STAL 的改进使其非常擅长检测制造质量保障或卫星成像中的微小异常。

最终，YOLO26 为开发者提供了准确率、速度和简洁性之间无可匹敌的平衡，并获得开源社区的全面支持。

贡献者
GLglenn-jocher10

评论