Ultralytics YOLO27：
Get Started

YOLOv8 与 RTDETRv2#

计算机视觉领域不断发展，新的架构持续突破实时目标检测的能力边界。受到广泛关注的两款模型是 Ultralytics YOLOv8 和百度的 RTDETRv2。本指南将全面对比这两款功能强大的模型，从技术角度探讨它们的架构、性能指标和理想部署场景。

YOLOv8 概览#

Ultralytics YOLOv8 是 YOLO（You Only Look Once）模型系列中的重要里程碑。它建立在多年的基础研究之上，能够为各种任务提供出色的速度、准确率和易用性。

主要特点：

架构与优势#

YOLOv8 采用精简架构，同时优化特征提取和边界框回归。它是一款无锚框检测器，简化了预测头，并减少了训练期间需要调整的超参数数量。该架构在推理速度和平均精度均值 (mAP) 之间实现了出色的性能平衡，非常适合部署到边缘设备和云服务器等真实场景中。

此外，与基于 Transformer 的架构相比，YOLOv8 在训练期间的内存需求显著更低。这让开发者可以在标准消费级 GPU 上训练模型，而不必担心显存溢出。

灵活性#

YOLOv8 的一大突出优势是原生支持多种任务。许多模型只专注于边界框检测，而 YOLOv8 开箱即支持目标检测、实例分割、图像分类、姿态估计和有向边界框 (OBB)检测。

RTDETRv2 概览#

RTDETRv2（实时检测 Transformer 第 2 版）以原版 RT-DETR 为基础，旨在将视觉 Transformer 强大的注意力机制引入实时目标检测应用。

主要特点：

架构与优势#

RTDETRv2 采用混合架构，将卷积神经网络 (CNN) 主干网络与 Transformer 编码器-解码器结构相结合。这样，模型就能通过自注意力机制捕捉复杂的空间关系和全局上下文。借助一系列“免费增益”训练策略，RTDETRv2 在 COCO 数据集等标准基准数据集上取得了具有竞争力的 mAP 分数。

缺点#

尽管准确率很高，但 RTDETRv2 基于 Transformer 的特性导致其内存占用较高，训练速度也比纯 CNN 架构慢。Transformer 本身需要更多显存，因此在资源受限的硬件上训练颇具挑战。此外，RTDETRv2 虽然检测能力出色，却缺乏 Ultralytics 生态系统原生支持的多任务灵活性（例如姿态估计和分割）。

深入了解 RTDETRv2

性能对比#

在评估用于生产环境的模型时，模型大小、推理速度和准确率之间的权衡至关重要。下表对 YOLOv8 和 RTDETRv2 的各个变体进行了直接比较。

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)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259
硬件与指标

CPU 推理使用 ONNX，GPU 速度则通过在 NVIDIA T4 GPU 上运行 TensorRT 进行测试。

用例与建议#

在 YOLOv8 和 RT-DETR 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。

何时选择 YOLOv8#

YOLOv8 适用于：

  • 多任务灵活部署： 在 Ultralytics 生态系统中，需要使用经过验证的模型来完成检测、分割、分类和姿态估计的项目。
  • 成熟的生产系统： 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区与生态系统支持： 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

何时选择 RT-DETR#

以下情况推荐使用 RT-DETR：

  • 基于 Transformer 的检测研究：探索注意力机制和 Transformer 架构，以实现无需 NMS 的端到端目标检测。
  • 对延迟要求灵活的高精度场景：检测准确率至关重要，且可以接受略高推理延迟的应用。
  • 大型目标检测：场景中的目标以中大型为主，此时 Transformer 的全局注意力机制能够发挥天然优势。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

Ultralytics 优势#

选择模型不只是看原始指标；周边软件生态对开发者的工作效率至关重要。Ultralytics 生态系统以易用性著称，它提供统一的 Python API，简化了整个机器学习生命周期。

从数据集管理到分布式训练，Ultralytics 会为你处理复杂的样板代码。开发者可以使用现成的预训练权重，并轻松集成 Hugging Face 等平台和监控工具。这个维护良好的生态系统确保了持续开发、频繁更新和强大的社区支持。

此外，训练效率也是 Ultralytics YOLO 模型的一大特点。在训练过程中，这些模型经过高度优化，能够快速收敛并减少内存占用，与 RTDETRv2 等基于 Transformer 的检测器相比，可显著加快实验迭代。

展望未来：YOLO26 的强大能力#

YOLOv8 依然实力强劲，但如果你追求前沿技术，不妨考虑升级到 YOLO26，该模型于 2026 年 1 月发布。YOLO26 凭借多项突破性创新重新定义了技术前沿：

  • 端到端无 NMS 设计： YOLO26 的可选一对一检测头（nms=False）无需进行非极大值抑制 (NMS) 后处理，从而让部署流程更快、更具确定性。
  • 移除 DFL： 移除分布焦点损失后，模型更加精简，与边缘设备和低功耗设备的兼容性也更好。
  • MuSGD 优化器： MuSGD 优化器融合了 LLM 训练领域的创新，确保训练过程更加稳定、收敛更快。
  • CPU 推理速度最高提升 43%： 针对没有专用 GPU 的环境进行了深度优化。
  • 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，这对航空影像和机器人应用至关重要。

Ultralytics 系列中其他值得探索的现代替代方案包括 YOLO11，它能为旧项目提供稳健的性能，不过所有新的部署项目都建议使用 YOLO26。

代码示例：训练与推理#

Ultralytics API 简单易用，只需几行 Python 代码，你就能加载、训练和部署模型。运行以下示例前，请确保已安装 PyTorch。

from ultralytics import YOLO

# 加载预训练的 YOLOv8 小型模型
model = YOLO("yolov8s.pt")

# 在你的自定义数据集上训练模型
# 高内存效率的训练支持使用更大的批次大小
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640, batch=16)

# 对测试图像运行推理
results = model("https://ultralytics.com/images/bus.jpg")

# 显示结果
results[0].show()

# 轻松导出模型，以便部署到边缘设备
export_path = model.export(format="onnx")
可直接部署

Ultralytics 支持一键导出为多种格式，包括 ONNX、TensorRT 和 CoreML，简化了不同硬件架构上的模型部署选项。

结论#

YOLOv8 和 RTDETRv2 都具备出色的实时目标检测能力。RTDETRv2 展现了 Transformer 捕捉全局上下文的优势，因此适用于复杂的空间推理任务，而这类任务通常不会将推理速度和内存开销作为首要限制。

不过，如果开发者更看重速度、准确率和资源效率之间的出色平衡，Ultralytics YOLO 模型仍是更优选择。YOLOv8 轻量的特性，加上无与伦比的易用性、对多种视觉任务的适应能力以及蓬勃发展的开源生态系统，使其成为可扩展生产环境的首选方案。对于追求极致边缘性能的用户，全新发布的 YOLO26 提供了无与伦比的无 NMS 高效推理能力，继续引领行业发展。

贡献者
GLglenn-jocher18PDpderrenger2MImiles-deans-ultralytics1

评论