跳转至内容

YOLOv8 与 YOLO26：Ultralytics 实时目标 detect 的演进

计算机视觉领域在过去几年中取得了显著进展。在实时应用中最受欢迎的架构中，包括由Ultralytics开发的模型。这份全面的指南详细技术比较了开创性的Ultralytics YOLOv8和最新的最先进Ultralytics YOLO26。我们将分析它们的架构、性能指标和理想用例，以帮助您为部署选择合适的模型。

模型概述

YOLOv8和YOLO26都代表了YOLO模型家族中的重要里程碑。它们秉承了Ultralytics的核心理念：通过统一的Python环境和API，提供快速、准确且极其易用的模型。

YOLOv8：多功能标准

YOLOv8 于2023年初发布，对 YOLO 框架进行了重大改革，带来了无锚设计和对多种计算机视觉任务的强大支持。

YOLOv8 因其出色的性能平衡和与 Ultralytics 生态系统的深度集成而迅速成为行业标准。它原生支持目标 detect、实例 segment、姿势估计和图像分类。然而，它依赖于标准的非极大值抑制 (NMS) 进行后处理，这可能在高度受限的边缘环境中引入延迟瓶颈。

了解更多关于 YOLOv8

YOLO26：下一代边缘强大引擎

YOLO26于2026年1月发布，以其前代模型奠定的基础为起点，并针对现代部署场景进行了积极优化，尤其是在边缘AI和低功耗设备方面。

YOLO26 引入了多项范式转变的技术改进。最值得注意的是，它采用了 端到端无 NMS 设计。该架构最初由 YOLOv10 首创，消除了 NMS 后处理的需要，显著简化了导出流程并减少了延迟波动。此外，移除分布焦点损失（DFL）简化了检测头，使其非常适合在边缘 AI 硬件上部署。

了解更多关于 YOLO26 的信息

其他Ultralytics模型

虽然YOLOv8和YOLO26功能极其强大，但您也可以考虑YOLO11，它通过精炼的架构弥合了这两代之间的差距；或者考虑YOLOv5，适用于高度特定的传统集成。

架构和训练创新

YOLO26 带来了几项底层改进，大幅提升了YOLOv8的基线性能。

使用 MuSGD 进行优化训练

训练效率是 Ultralytics 模型的一个显著特点，与 RT-DETR 等庞大的基于 Transformer 的架构相比，它们通常具有更低的内存需求。YOLO26 通过引入 MuSGD 优化器 进一步提升了这一点。该优化器受大型语言模型 (LLM) 训练技术（特别是月之暗面 Kimi K2）的启发，这种随机梯度下降 (SGD) 和 Muon 的混合确保了在复杂数据集上更快的收敛和高度稳定的训练动态。

高级损失函数

对于需要高精度的任务，例如无人机图像或物联网传感器，YOLO26 引入了 ProgLoss + STAL。这些改进的损失函数在小目标识别方面提供了显著增强。此外，YOLO26 在各个方面带来了任务特定的改进：用于在 segment 中生成卓越掩码的多尺度原型，用于更精细姿势估计的残差对数似然估计 (RLE)，以及用于解决旋转框检测 (OBB)中边界问题的专用角度损失。

性能分析与比较

下表重点介绍了使用COCO 数据集时两种模型之间的性能差异。每个尺寸类别中表现最佳的值以粗体显示。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
(毫秒)		参数
(M)		FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLO26n64040.938.91.72.45.4
YOLOv8s64044.9128.42.6611.228.6
YOLO26s64048.687.22.59.520.7
YOLOv8m64050.2234.75.8625.978.9
YOLO26m64053.1220.04.720.468.2
YOLOv8l64052.9375.29.0643.7165.2
YOLO26l64055.0286.26.224.886.4
YOLOv8x64053.9479.114.3768.2257.8
YOLO26x64057.5525.811.855.7193.9

分析指标

数据揭示了代际飞跃。YOLO26 在所有指标上均显著优于 YOLOv8。YOLO26 Nano (YOLO26n) 模型实现了卓越的 40.9 mAP，远高于 YOLOv8n 的 37.3，同时使用了更少的参数和 FLOPs。

最显著的改进之一是 CPU 推理速度。由于其优化的架构和移除了 DFL，YOLO26 通过 ONNX 实现了 高达 43% 的 CPU 推理速度提升。这使得 YOLO26 在 Raspberry Pi 和其他低资源边缘设备上表现无与伦比。虽然两种模型在使用 TensorRT 时的 GPU 速度都具有竞争力，但 YOLO26 的整体参数效率意味着在训练和推理期间都具有更低的内存占用。

易用性与生态系统

这两种模型都极大地受益于维护良好的Ultralytics 生态系统。开发人员称赞统一 API 提供的易用性，只需更改模型名称字符串即可在 YOLOv8 和 YOLO26 之间切换。

无论您是进行超参数调优、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 提供了一种简化的方式，可以无缝地在云端或本地标注、训练和部署这些模型。

代码示例

开始训练和推理非常简单。下面是一个使用Ultralytics Python API的完整可运行示例：

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Use '0' for GPU training
)

# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
results[0].show()

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")

部署简易性

将 YOLO26 导出到 CoreML 或 OpenVINO 等格式比旧模型显著更流畅，这得益于其无 NMS 架构，该架构从导出图中移除了复杂的自定义操作。

理想用例

选择合适的模型决定了您项目的成功。

何时选择 YOLO26：

  • 边缘计算与机器人技术：其CPU速度提升43%且无NMS，使其成为嵌入式系统、移动设备和自主机器人的最佳选择。
  • 航空和卫星影像：ProgLoss + STAL 的实施赋予 YOLO26 在复杂、高分辨率的场景中 detect 微小目标方面的独特优势。
  • 新项目：作为最新的稳定版本，YOLO26 是任何新的机器学习流程的推荐模型，在所有任务中提供卓越的多功能性。

何时保留 YOLOv8：

  • 传统基础设施：如果您的当前生产管道与YOLOv8的特定输出tensor和锚点机制紧密耦合，则迁移可能需要进行少量调整。
  • Academic Baselines: YOLOv8 仍然是比较旧架构的学术计算机视觉研究中高度引用且稳定的基线。

总之，尽管YOLOv8为实时视觉任务建立了非凡的标准，但YOLO26重新定义了可能性。通过将CPU上的巨大效率提升与创新的LLM启发式训练优化器相结合，YOLO26确保开发者几乎可以在任何硬件环境中部署高精度的AI。


评论