Ultralytics YOLO27：
Get Started

YOLOv7 与 YOLOX#

计算机视觉的发展伴随着实时目标检测的迅速进步。YOLOv7 和 YOLOX 是这一发展历程中的两个重要里程碑。两种模型都突破了速度和准确率的极限，但采用了不同的架构理念来实现目标。本指南将全面对比这两种强大的模型，帮助你为计算机视觉项目选择合适的架构。

模型简介#

了解这些模型的起源和主要设计选择，对于在现代机器学习运维中有效部署模型至关重要。

YOLOv7 详情#

YOLOv7 由负责维护 CSPNet 和 Scaled-YOLOv4 架构的研究人员开发，引入了“可训练的免费增益组合”方法，在不增加推理成本的情况下最大限度地提高准确率。

详细了解 YOLOv7

YOLOX 详情#

YOLOX 则采取了不同路线，重新转向无锚框检测，在保持稳健性能的同时大幅简化检测头架构。

详细了解 YOLOX

架构差异与创新#

YOLOv7 和 YOLOX 的核心区别在于特征提取、边界框预测和标签分配方式。

YOLOX：无锚框先行者#

YOLOX 转向无锚框设计，革新了 YOLO 系列。传统的基于锚框的检测器需要复杂的启发式调优来聚类锚框，而且这种调优很大程度上取决于数据集。通过移除锚框，YOLOX 大幅减少了设计参数。此外，YOLOX 采用解耦检测头，将分类和定位任务分配到不同的网络分支，解决了对象分类与空间坐标回归之间固有的冲突。YOLOX 还集成了 SimOTA 等先进的标签分配策略，可在训练过程中动态分配正样本。

YOLOv7：扩展高效层聚合#

YOLOv7 回归基于锚框的方法，同时引入了扩展高效层聚合网络（E-ELAN）。E-ELAN 优化了梯度路径长度，确保网络在不同深度下都能有效学习。该架构大量采用重参数化技术，在推理时合并卷积层，从而在不牺牲精度的情况下提升速度。YOLOv7 的“免费增益组合”策略包含计划式重参数化卷积、由粗到细的主导引导标签分配等创新，将模型的平均精度均值提升到令人瞩目的水平。

基于锚框与无锚框

YOLOX 通过采用无锚框设置简化了部署流水线，而现代 Ultralytics 架构在此基础上进一步改进，在新一代模型中无需再使用预定义边界框。

性能对比#

在生产环境中评估这些模型时，平衡准确率与计算效率至关重要。下表展示了其中的权衡，并以粗体标出表现最佳的指标。

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

如上所示，YOLOv7x 的 mAP 最高，因此在复杂数据集上的准确率极高。相比之下，YOLOX-Nano 针对极端资源限制进行了高度优化。不过，与现代架构相比，这两种模型在训练期间的内存使用量都相对较高。

训练方法与生态系统#

研究人员和开发者需要重点考虑的一个因素是实现难易度。过去，旧版 YOLO 往往需要高度定制的 C++ 脚本或复杂的依赖管理。

Ultralytics 生态系统的优势#

Ultralytics Python 包不原生支持 YOLOv7 和 YOLOX；对于新项目，最有效的方案是在维护完善的 Ultralytics 生态系统中使用 Ultralytics YOLO 模型。Ultralytics 提供统一且直观的 Python API，大幅简化训练、验证和部署。

  • 易用性：只需几行代码，你就能启动训练循环，降低直接使用 PyTorch 实现方案所面临的陡峭学习曲线。
  • 训练效率：与 RT-DETR 等大型 Transformer 模型相比，Ultralytics YOLO 模型在训练时所需内存更少。这让开发者可以在消费级硬件上最大限度地提高批次大小。
  • 多功能性：除了简单的边界框检测，该生态系统还能轻松扩展到实例分割和姿态估计等任务。

下面是一个完全可运行的示例，展示如何使用 Ultralytics API 训练模型：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")  # 可直接使用的权重，助你快速进行迁移学习

# 在你的自定义数据上高效训练模型
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # 使用优化的 CUDA 内存管理
)

# 轻松导出为 ONNX 或 TensorRT 格式
model.export(format="onnx")

通过标准化导出流水线，开发者可以轻松地将权重转换为 TensorRT 或 ONNX 等格式，确保在目标硬件上实现高速推理。

理想用例和实际应用#

选择 YOLOX 还是 YOLOv7，主要取决于部署目标：

  • YOLOX 适用于边缘 AI： YOLOX-Nano 和 YOLOX-Tiny 变体非常适合部署在低功耗设备上。如果你正在使用 Raspberry Pi 构建智能安防摄像头，YOLOX 简单的无锚框卷积结构很容易适配边缘加速器。
  • YOLOv7 适用于高保真分析： 如果你要处理高分辨率卫星图像，或执行复杂的制造质量控制，由高端 NVIDIA GPU 驱动、mAP 较高的 YOLOv7x 能确保检测出最细微的异常。

未来：升级到 Ultralytics YOLO26#

YOLOv7 和 YOLOX 在问世之初都具有开创性，但计算机视觉领域已取得长足进步。对于新的部署，开发者应关注于 2026 年 1 月发布的 Ultralytics YOLO26。这款尖端模型将最佳架构理论融为一体，打造出终极的生产就绪系统。

强烈建议升级，原因如下：

  • 端到端无 NMS 设计： YOLO26 可选的 one-to-one 检测头（nms=False）在后处理阶段无需执行非极大值抑制 (NMS)。这一设计最初由 YOLOv10 首创，可确保延迟始终较低，并简化在不支持 NMS 硬件的设备上的部署。
  • 移除 DFL： 移除分布焦点损失后，YOLO26 与低功耗边缘设备的兼容性大幅提升，也更易于导出为 ONNX。
  • MuSGD 优化器： YOLO26 借鉴了 LLM 训练创新，采用混合 MuSGD 优化器，确保更快收敛和极其稳定的训练动态。
  • CPU 推理速度最高提升 43%： YOLO26 针对真实硬件进行了深度优化，无需昂贵的 GPU 基础设施，也能在标准 CPU 上充分发挥性能。
  • ProgLoss + STAL： 渐进式损失和小目标感知标签分配显著提升了小目标识别能力，这对无人机航拍巡检和复杂的 IoT 网络至关重要。

对于希望在目标检测、分割等任务中实现最佳性能平衡的开发者，通过 Ultralytics Platform 部署模型，能带来无与伦比、轻松顺畅的体验。

结论#

YOLOX 和 YOLOv7 都引入了关键技术，影响了开源视觉 AI 的发展方向。YOLOX 证明了无锚框解耦头的可行性，而 YOLOv7 则展示了梯度路径重参数化的巨大潜力。如今，Ultralytics 生态系统让你能够基于这些理念，使用现代 Ultralytics YOLO 模型进行开发，并顺畅迁移到最先进的 YOLO26，为下一款计算机视觉应用提供长期保障。

贡献者
GLglenn-jocher15

评论