YOLOv8 与 YOLO26#
过去几年，计算机视觉领域取得了显著进展。在实时应用中，最受欢迎的架构之一是由 Ultralytics 开发的模型。本指南将对突破性的 Ultralytics YOLOv8 与最新的先进 Ultralytics YOLO26 进行详细的技术比较。我们将分析它们的架构、性能指标和理想应用场景，帮助你为部署选择合适的模型。
模型概览#
YOLOv8 和 YOLO26 都代表了 YOLO 模型系列 的重要里程碑。它们共享 Ultralytics 的核心理念：通过统一的 Python 环境 和 API 提供快速、准确且极易使用的模型。
YOLOv8：多功能标准#
YOLOv8 于 2023 年初发布，对 YOLO 框架进行了重大改进，引入了无锚点设计，并为多种计算机视觉任务提供了强大的支持。
- 作者： Glenn Jocher、Ayush Chaurasia 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2023-01-10
- GitHub： Ultralytics 仓库
- 文档： YOLOv8 文档
YOLOv8 凭借出色的性能平衡以及与 Ultralytics 生态系统 的深度集成，迅速成为行业标准。它原生支持 目标检测、实例分割、姿态估计 和 图像分类。不过，它依赖标准的非极大值抑制（NMS）进行后处理，这可能会在资源高度受限的边缘环境中造成延迟瓶颈。
YOLO26：新一代边缘计算利器#
YOLO26 于 2026 年 1 月发布，在前代模型的基础上进行了大幅优化，以适应现代部署场景，尤其是边缘 AI 和低功耗设备。
- 作者： Glenn Jocher 和 Jing Qiu
- 组织： Ultralytics
- 日期： 2026-01-14
- GitHub： Ultralytics 仓库
- 文档： YOLO26 文档
YOLO26 引入了多项颠覆范式的技术改进。其中最引人注目的是 端到端无 NMS 设计。这一架构最初由 YOLOv10 开创，无需进行 NMS 后处理，从而显著简化导出流程并降低延迟波动。此外，移除 Distribution Focal Loss（DFL）简化了检测头，使其非常适合部署在边缘 AI 硬件上。
架构与训练创新#
YOLO26 带来了多项底层改进，大幅提升了 YOLOv8 基线的表现。
使用 MuSGD 优化器优化训练#
训练效率是 Ultralytics 模型的一大特点。与 RT-DETR 等体量较大的基于 Transformer 的架构相比，Ultralytics 模型通常需要少得多的内存。YOLO26 通过引入 MuSGD 优化器进一步提升了这一点。这种结合了随机梯度下降（SGD）与 Muon 的混合方法受到大型语言模型（LLM）训练技术（特别是 Moonshot AI 的 Kimi K2）的启发，能够在复杂数据集上实现更快的收敛和高度稳定的训练动态。
高级损失函数#
对于 无人机图像 或 IoT 传感器等需要高精度的任务，YOLO26 引入了 ProgLoss + STAL。这些改进的损失函数显著提升了小目标识别能力。此外，YOLO26 还在各项任务中带来了针对性的改进：用于实现更优分割掩码生成的多尺度 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 定向边界框（OBB） 检测边界问题的专用角度损失。
性能分析与比较#
下表使用 COCO 数据集 突出了两个模型之间的性能差异。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） | mAPval 50-95 | 速度 CPU ONNX （毫秒） | 速度 T4 TensorRT10 （毫秒） | 参数量 （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 | 5.4 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
指标分析#
数据展示了代际飞跃。YOLO26 在所有指标上都显著优于 YOLOv8。YOLO26 Nano（YOLO26n）模型达到了令人瞩目的 40.9 mAP，显著高于 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。得益于优化后的架构以及移除 DFL，YOLO26 通过 ONNX 实现了 最高快 43% 的 CPU 推理速度。这使 YOLO26 成为 Raspberry Pi 和其他低资源边缘设备的无可匹敌之选。虽然两个模型使用 TensorRT 时的 GPU 速度都具有竞争力，但 YOLO26 更高的整体参数效率意味着在训练和推理期间都能占用更少的内存。
易用性与生态系统#
两个模型都从维护良好的 Ultralytics 生态系统 中获益匪浅。开发者称赞统一 API 带来的易用性，只需更改模型名称字符串，就可以在 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 提供了一种简化的方式，让你可以对这些模型进行标注、训练，并无缝部署到云端或本地。
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")理想应用场景#
选择合适的模型决定着项目的成败。
选择 YOLO26 的场景：
- **边缘计算与机器人：**其快 43% 的 CPU 速度和无 NMS 特性，使其成为嵌入式系统、移动设备和自主机器人的绝佳选择。
- **航空与卫星图像：**ProgLoss + STAL 的实现使 YOLO26 在复杂高分辨率场景中检测微小目标时具备明显优势。
- **新项目：**作为最新的稳定版本，YOLO26 是任何新建 机器学习 流程的推荐模型，可为所有任务提供更出色的多功能性。
保留 YOLOv8 的场景：
- **遗留基础设施：**如果你当前的生产流程与 YOLOv8 的特定输出张量和锚点机制高度耦合，迁移可能需要进行少量适配。
- **学术基线：**YOLOv8 仍然是学术计算机视觉研究中引用率很高且稳定的基线，适合用于比较较早的架构。
总之，YOLOv8 为实时视觉任务树立了卓越标准，而 YOLO26 重新定义了可能性。通过将 CPU 上的大幅效率提升与受大型语言模型启发的创新训练优化器相结合，YOLO26 确保开发者几乎可以在任何硬件环境中部署高精度 AI。