YOLO Vision 2026：

YOLOv8 与 YOLO26#

过去几年中，计算机 vision 领域见证了显著的发展。在用于实时应用的最热门架构中，包含了由 Ultralytics 开发的模型。这篇全面的指南详细对比了具有开创性的 Ultralytics YOLOv8 与最新的最先进的 Ultralytics YOLO26。我们将分析它们的架构、性能指标以及理想用例，以帮助你选择适合部署的模型。

模型概述#

YOLOv8 和 YOLO26 都代表了 YOLO family of models 中的重要里程碑。它们共享核心的 Ultralytics 理念：通过统一的 Python environment 和 API 提供快速、准确且极其易用的模型。

YOLOv8：多功能的行业标准#

YOLOv8 发布于 2023 年初，对 YOLO 框架进行了重大升级，带来了无锚点（anchor-free）设计，并对多种计算机视觉任务提供了强大的支持。

凭借出色的性能平衡以及对 Ultralytics ecosystem 的深度集成，YOLOv8 迅速成为了行业标准。它原生支持 object detection、instance segmentation、pose estimation 和 image classification。然而，它依赖于标准的非极大值抑制（NMS）来进行后处理，这在高度受限的边缘环境中可能会引入延迟瓶颈。

了解更多关于 YOLOv8 的信息

YOLO26：新一代边缘计算强力引擎#

YOLO26 发布于 2026 年 1 月，它在 predecessors 建立的基础上进行了激进优化，特别针对现代部署场景，如边缘 AI 和低功耗设备。

YOLO26 引入了几项颠覆性的技术改进。最值得注意的是，它具有 End-to-End NMS-Free Design。该架构最初由 YOLOv10 开创，消除了对 NMS 后处理的需求，显著简化了导出管道并减少了延迟方差。此外，移除分布焦点损失（DFL）精简了检测头，使其非常适合在边缘 AI 硬件上进行部署。

了解更多关于 YOLO26 的信息

其他 Ultralytics 模型

虽然 YOLOv8 和 YOLO26 非常强大，但你也可以考虑通过精炼架构弥合这两代之间差距的 YOLO11，或者用于高度特定传统集成的 YOLOv5。

架构与训练创新#

YOLO26 带来了多项幕后进展，在 YOLOv8 的基准上实现了显著改进。

使用 MuSGD 进行优化训练#

训练效率是 Ultralytics 模型的一个标志，与笨重的基于 Transformer 的架构（如 RT-DETR）相比，它们的内存需求通常要低得多。YOLO26 通过引入 MuSGD Optimizer 进一步增强了这一点。受大型语言模型（LLM）训练技术（特别是 Moonshot AI 的 Kimi K2）的启发，这种随机梯度下降（SGD）与 Muon 的混合体确保了更快的收敛速度以及跨复杂数据集的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 drone imagery 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的增强。此外，YOLO26 全面带来了针对特定任务的改进：用于分割中更优掩码生成的多尺度 proto，用于更精细姿态估计的残差对数似然估计（RLE），以及用于解决 Oriented Bounding Box (OBB) 检测中边界问题的专用角度损失。

性能分析与对比#

下表使用 COCO dataset 突出了这两个模型之间的性能差异。每个尺寸类别中表现最好的值以粗体突出显示。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(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

指标分析#

数据显示了一次代际飞跃。YOLO26 在所有指标上均显著优于 YOLOv8。YOLO26 Nano (YOLO26n) 模型实现了惊人的 40.9 mAP，远高于 YOLOv8n 的 37.3，同时使用的参数和 FLOPs 更少。

最显著的改进之一是 CPU 推理速度。由于其优化的架构以及移除了 DFL，YOLO26 通过 ONNX 实现了 最高快 43% 的 CPU 推理。这使得 YOLO26 在 Raspberry Pi 和其他低资源边缘设备上无与伦比。虽然使用 TensorRT 的 GPU 速度在两个模型中都很有竞争力，但 YOLO26 整体的参数效率意味着在训练和推理过程中都具有更低的内存占用。

易用性与生态系统#

这两个模型都极大地受益于维护良好的 Ultralytics ecosystem。开发者赞赏统一 API 带来的易用性，它允许通过简单地更改模型名称字符串来在 YOLOv8 和 YOLO26 之间进行切换。

无论你是在执行 hyperparameter tuning、进行 experiment tracking 还是探索新的 datasets，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，可以将这些模型无缝注释、训练并部署到云端或本地。

代码示例#

开始训练和推理非常简单。以下是使用 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 导出到诸如 CoreML 或 OpenVINO 等格式比旧模型要流畅得多，因为其无 NMS 的架构从导出的图形中移除了复杂的自定义操作。

理想使用场景#

选择正确的模型决定了项目的成功。

何时选择 YOLO26：

  • 边缘计算与机器人： 其 43% 更快的 CPU 速度和无 NMS 设计使其成为嵌入式系统、移动设备和自主机器人的绝对最佳选择。
  • 航拍与卫星影像： ProgLoss + STAL 的实施使 YOLO26 在检测复杂高分辨率景观中的微小目标方面具有明显优势。
  • 新项目： 作为最新的稳定版本，YOLO26 是任何新 machine learning 管道的推荐模型，在所有任务中提供卓越的通用性。

何时保留 YOLOv8：

  • 遗留基础设施： 如果你当前的生产流水线与 YOLOv8 的特定输出张量和锚点机制深度耦合，迁移可能需要进行微小的调整。
  • 学术基准： YOLOv8 仍然是学术界计算机视觉研究中用于对比旧架构的高引用且稳定的基准。

总之，虽然 YOLOv8 为实时视觉任务建立了卓越的标准，但 YOLO26 重新定义了可能性的边界。通过将 CPU 上的巨大效率提升与受 LLM 启发的新型训练优化器相结合，YOLO26 确保开发者能够在几乎任何硬件环境中部署高精度的 AI。

贡献者
GLglenn-jocher5

评论