Ultralytics YOLO27：
Get Started

YOLOv7 与 YOLO26#

计算机视觉的发展历程中出现了许多重要里程碑，对比旧版架构与现代先进模型，能为机器学习工程师带来宝贵的见解。这篇技术比较深入探讨了影响深远的 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：“免费增益包”的先驱#

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准确率，突破了 GPU 硬件能力的边界。

模型详情

YOLOv7 引入了可训练的“免费增益包”概念，大量采用重新参数化技术和扩展高效层聚合网络（E-ELAN）。这使模型能够学习更多样的特征，并持续提升网络的学习能力，同时不破坏原有的梯度路径。虽然它当时在 COCO 上取得了令人瞩目的先进基准成绩，但其架构仍然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，这可能会在部署期间造成延迟瓶颈。

详细了解 YOLOv7

YOLO26：边缘优先的视觉 AI 标准#

Ultralytics YOLO26 于 2026 年 1 月发布，代表着范式转变。它彻底重新思考了检测流程，将易于部署、训练稳定性和硬件效率放在首位。

模型详情

YOLO26 从设计之初就是为了解决现代工程挑战。它的架构带来了多项关键创新，性能大幅超越前代模型：

  • 端到端无 NMS 设计：YOLO26 提供可选的一对一检测头（nms=False），可以跳过 NMS 后处理。这种突破性方法首创于 YOLOv10。它带来了更快、更简单的部署流程，并避免了拥挤场景通常造成的延迟波动。
  • 移除 DFL：通过移除分布焦点损失（DFL），模型的导出流程大幅简化，与边缘设备和低功耗 IoT 硬件的兼容性也显著提升。
  • CPU 推理速度最高提升 43%：得益于架构简化，YOLO26 专为边缘计算和不配备专用 GPU 的设备优化，在标准处理器上的表现轻松超越旧版架构。
  • MuSGD 优化器：受大语言模型训练技术（特别是 Moonshot AI 的 Kimi K2）的启发，YOLO26 使用了 MuSGD 优化器，它融合了随机梯度下降和 Muon。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，显著提升了小目标识别能力，这对于航空影像、机器人和自动化质量检测至关重要。
  • 针对特定任务的改进：除了标准的目标检测，YOLO26 还为分割任务引入多尺度原型和专用语义分割损失，为姿势估计引入残差对数似然估计（RLE），并为有向边界框（OBB）引入专用角度损失算法，以解决边界问题。
迁移到 YOLO26

从旧版架构升级到 YOLO26，只需在 Python 代码中将模型字符串改为 yolo26n.pt。Ultralytics 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#

在比较计算开销时，YOLO26 在平衡性能和内存需求方面明显更胜一筹。基于 Transformer 的模型或较旧的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)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

如上所示，YOLO26m 模型的准确率（53.1 mAP）与大型 YOLOv7x 相当，但参数量不到后者的三分之一（20.4M 对比 71.3M），并且通过 TensorRT 实现了极快的推理速度。

Ultralytics 生态系统的优势#

部署旧版模型时，往往需要费力处理复杂的第三方仓库、依赖地狱和手动导出脚本。相比之下，Ultralytics Platform 提供维护完善、协同统一的生态系统，可简化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 模型以低内存占用而闻名。与某些庞大的视觉 Transformer 不同，YOLO26 可以轻松地在标准硬件上微调，不会遇到内存不足（OOM）错误。
  • 多功能性：YOLOv7 主要是目标检测器（虽然有一些面向其他任务的实验分支），而 YOLO26 是原生统一框架，可处理检测、分割、分类、姿态和 OBB，还支持多目标跟踪。
其他 Ultralytics 模型

虽然 YOLO26 是推荐的标准选择，但迁移旧系统的开发者也可以了解 YOLO11。它是 Ultralytics 产品线中另一个功能强大的模型世代，为需要长期支持的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 软件包简洁优雅的用法。请注意，与调用旧模型时冗长的命令行参数相比，它的接口有多么简洁。

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", nms=False)

# 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限制。

考虑使用 YOLOv7 的情况： 对于依据 2022 年标准进行学术基准测试，YOLOv7 仍然是很有价值的工具。如果你的基础设施大量使用深度集成了 YOLOv7 特定锚框输出的旧版 CUDA 流水线，而且无法投入资源进行重构，那么 YOLOv7 仍可作为可靠的基线检测器使用。

选择 YOLO26 的情况： 对于任何新项目，YOLO26 都是明确的首选。它的无 NMS 架构非常适合低延迟自主导航和实时安防系统。移除 DFL 并大幅提升 CPU 速度后，YOLO26 成为边缘 AI 部署的不二之选，例如部署在 Raspberry Pi 或消费电子产品中。此外，ProgLoss + STAL 的改进让它非常擅长检测制造质量保障或卫星成像中的微小异常。

总的来说，YOLO26 为开发者提供了准确度、速度和简洁性的出色组合，并得到开源社区全面支持。

贡献者
GLglenn-jocher11

评论