跳转至内容

YOLOv8 与 YOLO26 对比：实时视觉 AI 的演进

计算机视觉领域发展迅速，每一代 You Only Look Once (YOLO) 系列都在速度和准确性方面树立了新的基准。这一系列中的两个关键里程碑是 Ultralytics YOLOv8 和最先进的 Ultralytics YOLO26。YOLOv8 建立了行业领导者所依赖的强大生态系统和多任务能力，而 YOLO26 则引入了突破性的架构变革，例如端到端推理和针对边缘设备的优化。

本指南提供了详细的技术比较，以帮助研究人员和开发者根据其特定的部署需求选择合适的模型，涵盖从基于云的分析到资源受限的物联网应用。

模型概述

Ultralytics YOLOv8

YOLOv8 于 2023 年 1 月发布，标志着向统一框架的重大转变，该框架支持目标检测、实例分割、姿势估计、分类和旋转框检测 (OBB) 任务。它引入了无锚框检测和新的损失函数，使其成为各行各业的多功能选择。

了解更多关于 YOLOv8

Ultralytics YOLO26

YOLO26 于 2026 年 1 月推出，代表着效率和性能的又一次飞跃。它被设计为原生端到端 (E2E)，在推理过程中无需非极大值抑制 (NMS)。这带来了更快的速度，尤其是在 CPU 和边缘硬件上。随着分布焦点损失 (DFL) 的移除和 MuSGD 优化器的引入，YOLO26 为现代部署限制进行了优化。

了解更多关于 YOLO26 的信息

架构差异

从 YOLOv8 到 YOLO26 的转变涉及旨在降低延迟和提高训练稳定性的根本性结构变化。

端到端NMS-Free设计

传统检测器（如 YOLOv8）最显著的瓶颈之一是称为 NMS 的后处理步骤，它用于过滤重叠的边界框。

  • YOLOv8: 使用高度优化但必不可少的 NMS 步骤。这会使部署流程复杂化，尤其是在导出到诸如 ONNX 或 TensorRT 等格式时，高效的 NMS 插件支持各不相同。
  • YOLO26: 采用由YOLOv10首创的免NMS架构。通过直接从网络生成一对一预测，它简化了导出逻辑并降低了推理延迟，使其成为在Raspberry Pi或移动设备上进行实时应用的理想选择。

损失函数与优化

YOLO26在训练方案中引入了几个新颖的组件：

  • MuSGD 优化器: SGD 和 Muon 的混合体，灵感来自大型语言模型 (LLM) 训练技术。与以前版本中使用的标准 AdamW 或 SGD 相比，该优化器稳定了训练动量，从而实现了更快的收敛速度。
  • DFL 移除: 移除分布焦点损失简化了回归头。这种复杂性的降低是 YOLO26 在 CPU 上运行速度提高 43% 的关键因素。
  • ProgLoss + STAL: 渐进式损失平衡和小目标感知标签分配 (STAL) 显著提高了小目标的性能，解决了用于航空影像或工业检测的通用检测器中的常见弱点。

注意: 边缘部署

YOLO26 中 NMS 和 DFL 的移除使其对 8 位量化异常友好。如果您使用 TFLite 或 CoreML 部署到边缘硬件，YOLO26 在较低精度下通常能比 YOLOv8 保持更高的准确性。

性能指标

下表比较了 YOLOv8 和 YOLO26 模型在 COCO 数据集上的性能。YOLO26 在所有模型规模上都表现出卓越的速度和准确性，尤其是在其架构优化优势尤为突出的 CPU 环境中。

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
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

注意：粗体表示更好的性能指标（更高的 mAP，更低的速度/参数/FLOPs）。

训练效率与易用性

两种模型都受益于成熟的 Ultralytics 生态系统，该系统以其“从零到英雄”的简易性而闻名。

精简 API

无论使用 YOLOv8 还是 YOLO26，Python API 都保持一致。这允许开发人员只需更改一行代码即可在不同架构之间切换，从而方便进行基准测试和 A/B 测试。

from ultralytics import YOLO

# Load a YOLOv8 model
model_v8 = YOLO("yolov8n.pt")

# Load a YOLO26 model
model_26 = YOLO("yolo26n.pt")

# Train YOLO26 on your custom dataset
results = model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

内存与资源

与基于 Transformer 的模型（如 RT-DETR）或旧版 YOLO 相比，YOLO26 在训练期间的内存效率显著更高。其简化的损失函数曲面和 MuSGD 优化器允许在相同的 GPU 硬件上使用更大的批次大小，从而降低了训练基础设施的总拥有成本。VRAM 有限的用户可以轻松地微调 yolo26s 或 yolo26m 在标准消费级 GPU 上运行模型。

理想用例

选择 YOLOv8 还是 YOLO26 取决于您的具体限制和部署环境。

何时选择 YOLOv8

  • 遗留兼容性: 如果您现有流程与 YOLOv8 特定的后处理逻辑深度集成，且无法轻松更新。
  • 特定社区插件: 一些较旧的第三方工具或深度嵌入式系统可能仍然对 YOLOv8 导出格式存在严格依赖，尽管 Ultralytics 导出模块能够无缝处理大多数转换。

何时选择 YOLO26

  • 边缘计算: 对于 NVIDIA Jetson、手机或嵌入式 CPU 上的应用，每一毫秒的延迟都至关重要。43% 的 CPU 速度提升对于电池供电设备来说是颠覆性的。
  • 小目标检测: ProgLoss和STAL的改进使YOLO26成为更优选择，用于无人机监控或农业检测，在这些场景中，目标通常距离较远且微小。
  • 简化部署: 如果您想避免在非标准环境（例如定制FPGA或专用AI加速器）中实现NMS的麻烦，YOLO26的端到端特性是理想的选择。
  • 高性能任务: 对于需要最高准确性的任务，例如医学影像或安全关键型自动驾驶组件。

结论

尽管YOLOv8仍然是计算机视觉领域强大而可靠的工具，但YOLO26代表了高效、高性能检测的未来。其架构创新解决了NMS等长期存在的部署痛点，同时提供了最先进的准确性。

对于寻求保持技术前沿的开发者而言，升级到YOLO26可在速度和模型大小方面带来立竿见影的优势，同时不牺牲Ultralytics体验所定义的易用性。我们建议使用YOLO26启动新项目，以充分利用这些进步。

其他值得探索的模型

  • YOLO11: YOLO26的直接前身，为那些从旧版本过渡的用户提供了性能与功能的平衡。
  • YOLOv10: 开创了免NMS方法的模型，对于架构演进的学术研究很有帮助。
  • YOLO-World: 一款开放词汇检测器，非常适合无需在自定义数据集上训练即可识别物体，利用文本提示进行检测。

评论