Ultralytics YOLO27： 加入候补名单。
Get Started

YOLOv8 与 YOLO11#

计算机视觉的快速发展得益于实时目标检测框架的持续进步。对于开发者和研究人员来说，选择合适的模型对于平衡准确率、速度和资源效率至关重要。这篇技术对比将探讨 Ultralytics 生态系统中的两个基础模型：Ultralytics YOLOv8 和 Ultralytics YOLO11。

这两个模型都具备 Ultralytics 架构的标志性特点：易于使用、维护良好的生态系统，以及内存需求较低的高效训练。以下章节将介绍它们的架构设计、性能基准和理想部署场景。

模型概述#

在比较两者的具体技术优势之前，先了解这两种模型的起源和核心规格会很有帮助。

Ultralytics YOLOv8#

YOLOv8 于 2023 年初发布，引入了无锚框检测，并对损失函数进行了重大改进，很快就在众多视觉任务中得到广泛采用。

Ultralytics YOLO11#

YOLO11 在前代模型的基础上改进了核心架构，以优化准确率与延迟之间的权衡，在提高准确率的同时减少了参数数量。

其他架构

如果你正在探索其他方法，Ultralytics 也支持基于 Transformer 的模型，例如 RT-DETR，以及零样本开放词汇检测器，例如 YOLO-World。不过，若要获得最佳延迟和内存效率，标准 YOLO 架构通常仍是首选。

架构与方法上的差异#

从 YOLOv8 到 YOLO11 的变化体现了神经网络设计的稳步演进，而非彻底革新，从而确保模型周边维护完善的生态系统保持稳定。

骨干网络与颈部网络优化#

YOLOv8 引入了精简的 CNN 主干网络，不再采用传统的锚框，而是将目标检测视为纯粹的中心点预测问题。这种无锚框方法显著降低了边界框回归的复杂度。YOLO11 在此基础上引入了优化的特征金字塔网络 (FPN)，并将 C2f 模块改为 C3k2 模块。这项改动使 YOLO11 能够提取更丰富的空间特征，从而在 COCO 数据集中常见的小目标上取得更高准确率。

内存需求与训练效率#

YOLOv8 和 YOLO11 最显著的优势之一是训练时的低内存需求。与容易耗尽消费级硬件显存的大型视觉 Transformer 不同，这些模型针对标准 GPU 上易于开展的 PyTorch 训练进行了优化。与 YOLOv8 相比，YOLO11 大幅减少了总参数量——大型 (L) 变体的参数最多减少 42%——同时提高了平均精度均值 (mAP)。这意味着训练周期更短，模型训练的碳足迹也更低。

性能指标#

客观基准测试展现了这些模型在性能方面的平衡性。下表比较了 YOLOv8 和 YOLO11 的标准缩放变体（从 nano 到 extra-large）。

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

如表所示，YOLO11 在使用更少参数和 FLOPs 的同时，准确率始终高于 YOLOv8。使用 ONNX Runtime 测得的 CPU 推理速度凸显了 YOLO11 在边缘部署中的效率。导出到 NVIDIA TensorRT 后，这两个模型系列在 T4 GPU 上处理每张图像的耗时都低于 15 毫秒，适用于真实场景的视频流分析。

生态系统与易用性#

这两个模型都使用统一的 ultralytics Python 包，因此工程师只需更改权重文件，就能在 YOLOv8 和 YOLO11 之间切换。只需几行代码即可完成训练、验证和导出。

from ultralytics import YOLO

# 加载预训练的 YOLO11 模型（只需将其换成 "yolov8n.pt" 即可）
model = YOLO("yolo11n.pt")

# 在本地数据集上高效训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 将优化后的模型导出为 ONNX
model.export(format="onnx")

Ultralytics Platform 进一步扩展了这一工作流，提供基于云端的训练、模型监控和部署，无需具备高级 DevOps 知识。

通用性与实际应用#

Ultralytics 框架的一大优势是其多功能性。YOLOv8 和 YOLO11 除标准目标检测外，还支持多种计算机视觉任务：

YOLOv8 的发布时间更早，因此拥有大量社区教程和经过充分验证的企业级部署案例。如果你正在集成严格要求 YOLOv8 张量形状的旧版流水线，它仍是可靠的选择。对于注重效率的新项目，例如部署到 Raspberry Pi 等嵌入式边缘设备，YOLO11 凭借更高准确率、更少参数和更低 CPU 延迟，是更好的选择。

用例与建议#

选择 YOLOv8 还是 YOLO11，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：项目需要在 Ultralytics 生态系统中使用经过验证的模型来完成检测、分割、分类和姿态估计。
  • 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 YOLO11#

以下场景推荐使用 YOLO11：

  • 生产级边缘部署：在 Raspberry Pi 或 NVIDIA Jetson 等设备上的商业应用，可靠性和持续维护至关重要。
  • 多任务视觉应用：需要在统一框架中完成检测、分割、姿态估计和 OBB 的项目。
  • 快速原型开发与部署：需要借助精简的 Ultralytics Python API，快速完成从数据收集到生产部署的团队。

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 边缘部署：需要稳定、低延迟推理，同时不想处理非极大值抑制（NMS）后处理复杂性的应用。
  • 仅使用 CPU 的环境： 没有专用 GPU 加速的设备；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
  • 小目标检测：具有挑战性的场景，例如无人机航拍图像或 IoT 传感器分析。在这些场景中，ProgLoss 和 STAL 可以提升微小目标的检测精度。

YOLO26 的优势#

YOLOv8 和 YOLO11 都是优秀的架构，但对于 2026 年的新项目，推荐选择 Ultralytics YOLO26。

YOLO26 简化了部署流程。它采用端到端、无需 NMS 的设计，这一方案由 YOLOv10 引入 YOLO 模型；借助 nms=False，该设计无需进行 NMS 后处理。移除 DFL（Distribution Focal Loss）可简化导出逻辑并提升与低功耗边缘设备的兼容性；YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%。

MuSGD 优化器结合了 SGD 和 Muon，受到 LLM 训练技术的启发，能提高训练稳定性并加快收敛。ProgLoss + STAL（渐进式损失和小目标感知标签分配）可提升小目标检测能力，解决 IoT 和机器人领域长期面临的难题。针对特定任务的改进包括用于姿态估计的 RLE，以及用于分割的多尺度原型模块。

如何选择合适的模型

如果你依赖 YOLOv8 丰富的社区资源和现有部署，请选择 YOLOv8。如果你想在速度和参数量之间取得更精细的平衡，请选择 YOLO11。如果你需要针对边缘优化的无 NMS 推理，请选择当前推荐模型 YOLO26。

结论#

选择 YOLOv8 还是 YOLO11，最终取决于你的项目进度和硬件限制。YOLOv8 经过了充分验证，性能稳定。YOLO11 改进了这一架构，以更少的参数实现更高 mAP，因此适合资源受限的边缘应用。无论选择哪个模型，共享的 Ultralytics Python API 都能让你的开发工作流保持一致并获得良好支持；需要最佳边缘性能时，还可以使用 YOLO26。

贡献者
GLglenn-jocher19

评论