Ultralytics YOLO27：
Get Started

YOLOv8 与 YOLO11#

计算机视觉的快速发展，很大程度上得益于实时目标检测框架的持续进步。对于探索当今技术领域的开发者和研究人员来说，选择合适的模型对于平衡精度、速度和资源效率至关重要。在这篇技术对比中，我们将探讨 Ultralytics 生态系统中两个基础模型的差异：Ultralytics YOLOv8 和 Ultralytics YOLO11。

这两种模型都体现了 Ultralytics 架构的典型优势——易于使用、维护完善的生态系统，以及对内存需求较低的卓越训练效率。下面我们将深入探讨两者的架构设计、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，成为一次重大突破。它引入了无锚框检测，并显著改进了损失函数，很快成为适用于多种机器学习任务的黄金标准。

Ultralytics YOLO11#

YOLO11 在前代模型取得成功的基础上改进了核心架构，进一步突破精度与延迟的帕累托前沿，同时显著优化参数数量而不牺牲预测能力。

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 骨干网络，摒弃传统锚框，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。这一改动让 YOLO11 能提取更丰富的空间特征，从而在 COCO 数据集中常见的较小目标上实现更高精度。

内存需求与训练效率#

YOLOv8 和 YOLO11 最显著的优势之一，是训练时内存需求较低。与可能轻易耗尽消费级硬件显存的庞大视觉 Transformer 不同，这两种模型针对在标准 GPU 上进行便捷的 PyTorch 训练做了优化。YOLO11 大幅减少了总参数量——与 YOLOv8 相比，大型（L）变体的参数最多可减少 42%——同时提升了平均精度均值（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#

要真正评估这些模型的性能平衡，我们需要查看客观基准。下表对比了 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，精度始终优于 YOLOv8。使用 ONNX Runtime 测得的 CPU 推理速度，凸显了 YOLO11 在边缘部署中的更高效率。导出到 NVIDIA TensorRT 后，两种模型都能实现出色的低于 15 毫秒延迟，这对真实场景中的视频流分析至关重要。

生态系统与易用性#

两种模型都能从统一的 ultralytics Python 包中获益良多。这种易用性让工程师可以在 YOLOv8 和 YOLO11 之间轻松切换。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")

这种无缝集成也延伸至 Ultralytics Platform，它简化了云端训练、模型监控和部署，无需掌握高级 DevOps 知识。

通用性与实际应用#

Ultralytics 框架的一大特点是其固有的通用性。YOLOv8 和 YOLO11 除了标准目标检测，还支持多种计算机视觉任务：

YOLOv8 发布较早，拥有庞大的社区教程库和经过充分验证的企业级部署案例。如果你要集成的旧版流程严格依赖 YOLOv8 的张量形状，它仍是非常可靠的选择。不过，对于优先考虑最高效率的新项目（例如部署到 Raspberry Pi 等嵌入式边缘设备），YOLO11 凭借更优的速度与参数比，显然更适合实际部署。

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： 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 YOLO11#

以下场景推荐使用 YOLO11：

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。

前沿之选：YOLO26 的优势#

YOLOv8 和 YOLO11 虽然都是出色的架构，但 AI 领域始终在不断发展。对于希望在 2026 年采用最先进技术的开发者来说，Ultralytics YOLO26 代表着又一次重大的飞跃。

YOLO26 从根本上重新构想了部署流程。它采用端到端无 NMS 设计，这是 YOLOv10 首创的突破性方法，可通过 nms=False 消除复杂的后处理步骤。此外，移除 DFL（分布焦点损失）大幅简化了导出逻辑，并增强了对低功耗边缘设备的兼容性，使 CPU 推理速度相比前代模型最高提升 43%。

全新的 MuSGD 优化器融合了受 LLM 训练技术启发的方法，大幅提升了训练稳定性和收敛速度。此外，ProgLoss + STAL 等新损失函数显著增强了小目标识别能力，解决了 IoT 和机器人领域长期存在的难题。YOLO26 还通过 RLE 姿态估计和多尺度原型分割等任务专属改进，展现出无可匹敌的性能。

如何选择合适的模型

如果你需要广泛的旧版社区支持，就从 YOLOv8 开始。想要精细平衡速度和参数量，就升级到 YOLO11。如果你想采用面向未来、针对边缘优化且无 NMS 的架构，就选择 YOLO26。

结论#

最终，选择 YOLOv8 还是 YOLO11，取决于你的项目时间安排和硬件限制。YOLOv8 是久经考验的行业强者，提供无与伦比的稳定性。相比之下，YOLO11 在此架构上进一步改进，以更少的参数实现更高的 mAP，因此对资源受限的边缘应用极具吸引力。无论你选择哪种模型，流畅易用的 Ultralytics Python API 都能确保开发流程灵活、高效，并获得全面支持。当你准备好在边缘设备上进一步拓展能力时，YOLO26 已经为你准备就绪。

贡献者
GLglenn-jocher17

评论