YOLOv8 与 YOLO26
过去几年,计算机视觉领域发展迅速。在实时应用中,最受欢迎的架构包括 Ultralytics开发的模型。本指南将从技术角度比较 Ultralytics YOLOv8 和最新的 Ultralytics YOLO26,介绍它们的架构、性能指标和理想应用场景,帮助你为部署选择合适的模型。
模型概述#
YOLOv8 和 YOLO26 都是 YOLO 模型系列的重要里程碑。它们秉承相同的 Ultralytics 核心理念:通过统一的 Python API 提供快速、准确且易于使用的模型。
YOLOv8:多用途标准模型#
YOLOv8 于 2023 年初发布,对 YOLO 框架进行了重大升级,引入了无锚框设计,并稳健支持多种计算机视觉任务。
- 作者: Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2023-01-10
- GitHub: Ultralytics 代码库
- 文档: YOLOv8 文档
凭借出色的性能平衡以及与 Ultralytics 生态系统的深度集成,YOLOv8 很快得到了广泛采用。它原生支持目标检测、实例分割、图像分类、姿态估计和有向边界框 (OBB)。不过,它依赖标准的非极大值抑制 (NMS)进行后处理,在资源受限的边缘环境中可能造成延迟瓶颈。
YOLO26:新一代边缘 AI#
YOLO26 于 2026 年 1 月发布,在前代模型的基础上进行了改进,并针对现代部署场景进行了优化,尤其适用于边缘 AI 和低功耗设备。
- 作者: Glenn Jocher 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2026-01-14
- GitHub: Ultralytics 代码库
- 文档:YOLO26 文档
YOLO26 带来了多项技术改进。其中最突出的是它采用了 YOLOv10 引入 YOLO 模型的端到端、无需 NMS 的设计。这一架构无需进行 NMS 后处理,可简化导出流程并降低延迟波动。移除 Distribution Focal Loss (DFL) 也简化了检测头,让模型更容易部署到边缘 AI 硬件上。
架构与训练方面的创新#
YOLO26 在底层进行了多项改进,提升了 YOLOv8 基线模型的表现。
使用 MuSGD 优化器提升训练效率#
Ultralytics 模型以训练高效、通常比基于 Transformer 的架构(如 RT-DETR)占用更少内存而闻名。YOLO26 通过MuSGD 优化器进一步提升了这一优势。它借鉴了大语言模型 (LLM) 的训练技术(具体来说是 Moonshot AI 的 Kimi K2),将随机梯度下降 (SGD) 与 Muon 相结合,可在复杂数据集上更快收敛,并实现更稳定的训练。
损失函数与标签分配#
对于无人机影像或 IoT 传感器等对精度要求较高的任务,YOLO26 引入了 ProgLoss + STAL。渐进式损失和小目标感知标签分配 (STAL) 可提升小目标检测能力。此外,YOLO26 还在各类任务中进行了专门优化:分割任务采用多尺度原型以生成更优的掩码,姿态估计采用残差对数似然估计 (RLE) 以提升精细度,并通过专用角度损失解决有向边界框 (OBB)检测中的边界问题。
性能分析与对比#
下表使用 COCO 数据集展示了两个模型的性能差异。每种尺寸类别中表现最佳的数值以粗体标出。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
分析指标#
数据体现了代际进步:YOLO26 在几乎所有指标上都优于 YOLOv8。YOLO26 Nano (YOLO26n) 模型的 mAP 达到 40.9,明显高于 YOLOv8n 的 37.3,同时使用更少的参数和 FLOPs。
CPU 推理速度是提升最显著的方面之一。得益于精简的架构和 DFL 的移除,YOLO26n 使用 CPU ONNX 推理时耗时 38.9 毫秒,而 YOLOv8n 为 80.4 毫秒;YOLO26 论文还报告称,其 CPU 推理速度比 YOLO11n 最高快 43%。因此,YOLO26 很适合用于 Raspberry Pi 和其他资源有限的边缘设备。两种模型使用 TensorRT 时的 GPU 速度都很有竞争力,而 YOLO26 的参数效率也有助于降低训练和推理时的内存占用。
易用性与生态系统#
这两个模型都受益于维护良好的 Ultralytics 生态系统。统一 API 让开发者只需更改模型名称字符串,就能在 YOLOv8 和 YOLO26 之间切换。
无论你是在进行超参数调优、开展实验跟踪,还是探索新的数据集,Ultralytics 文档都提供了丰富的资源。此外,Ultralytics Platform 还提供了一种简化的方式,让你在云端或本地完成数据标注、模型训练和部署。
代码示例#
下面是一个使用 Ultralytics Python API 进行训练、推理和导出的完整可运行示例:
from ultralytics import YOLO
# 加载最新的 YOLO26 Nano 模型
model = YOLO("yolo26n.pt")
# 使用 COCO8 数据集训练模型 50 个周期
# optimizer="auto" 会在较长的训练(>10k iterations)中选择 MuSGD,在像本例这样的短训练中选择 AdamW
train_results = model.train(
data="coco8.yaml",
epochs=50,
imgsz=640,
device="cpu", # 使用 '0' 进行 GPU 训练
)
# 对示例图像运行推理
# 无 NMS 设计可提供简洁、快速的预测结果
results = model("https://ultralytics.com/images/bus.jpg", nms=False)
# 显示预测结果
results[0].show()
# 导出为 ONNX,以便部署到 CPU
export_path = model.export(format="onnx")理想应用场景#
合适的选择取决于你的部署目标和现有基础设施。
何时选择 YOLO26:
- 边缘计算与机器人:更快的 CPU 推理速度和无 NMS 设计,使它成为嵌入式系统、移动设备和自主机器人的理想选择。
- 航空与卫星影像:ProgLoss + STAL 让 YOLO26 在复杂高分辨率场景中检测微小目标时更具优势。
- 新项目:作为最新的稳定版本,YOLO26 是任何新机器学习流水线的推荐模型,任务覆盖范围更广,还新增了语义分割和深度估计。
何时继续使用 YOLOv8:
- 旧版基础设施:如果你当前的生产流程与 YOLOv8 特定的输出张量和 NMS 后处理紧密耦合,迁移时可能需要进行少量适配。
- 学术基线:YOLOv8 仍是学术计算机视觉研究中引用广泛且稳定的基线模型,适用于与较早架构进行比较。
总而言之,YOLOv8 为实时视觉任务树立了很高的标准,而 YOLO26 在此基础上更进一步。凭借显著的 CPU 效率提升、无 NMS 部署以及受 LLM 启发的训练优化,YOLO26 让你能够在各种硬件上实用地部署准确模型。
评论
提出问题、分享结果,或帮助其他人。