Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv8 与 YOLOv10#

实时目标检测的演进速度空前。随着开发者和研究人员寻求将最高效、最精确的计算机视觉模型集成到他们的流水线中，对比领先的架构变得至关重要。在这次深度解析中，我们将对比 Ultralytics YOLOv8 和 YOLOv10，检查它们的架构差异、性能指标以及理想的部署场景，以帮助你在下一个 AI 项目中做出明智的决定。

Link to this section模型概述：YOLOv8#

作为 YOLO 系列的一次重大飞跃，YOLOv8 为统一且多功能的框架建立了一个新标准。它从零开始设计，旨在支持标准边界框之外的多种任务，这使其成为现代计算机视觉中极其灵活的工具。

YOLOv8 详细信息：

Link to this section架构与优势#

YOLOv8 引入了无锚点（anchor-free）检测头和经过改进的 CSPDarknet 主干网络，显著提高了准确性和推理延迟。通过移除锚框（anchor boxes），该模型减少了框预测的数量，从而在后处理期间加速了非极大值抑制（NMS）。

选择 YOLOv8 的一个突出优势是其巨大的多功能性。虽然许多模型仅专注于目标检测，但 YOLOv8 原生支持实例分割、图像分类、姿态估计和旋转边界框 (OBB)。这使其成为复杂、多阶段流水线的强大动力源，在这些流水线中需要同时进行不同类型的视觉理解。此外，与基于 Transformer 的架构（如 RT-DETR）相比，它在训练期间的内存需求得到了极大优化，允许研究人员在标准的消费级 GPU 上训练大型模型。

了解更多关于 YOLOv8 的信息

Link to this section模型概述：YOLOv10#

由清华大学的研究人员开发，YOLOv10 旨在解决 YOLO 系列中长期存在的一个瓶颈：对 NMS 后处理的依赖。

YOLOv10 详情：

Link to this section架构与优势#

YOLOv10 的主要创新在于其 Consistent Dual Assignments（一致性双重分配）策略，该策略允许进行无 NMS 的训练和端到端部署。通过消除 NMS 步骤，YOLOv10 显著降低了推理延迟，尤其是在后处理操作可能非常耗费计算资源的边缘设备上。

此外，YOLOv10 采用了整体效率-精度驱动的模型设计，仔细调整了每一层的计算开销。这使得模型在实现具有竞争力的平均精度（mAP）的同时，所需的参数和 FLOPs 更少。对于在纯检测任务中要求绝对最低延迟的用例而言，这是一项出色的学术贡献。

端到端检测

YOLOv10 中 NMS 的移除极大地简化了导出到 OpenVINO 和 TensorRT 等框架的过程，因为整个模型可以编译为一个单一的计算图，而无需自定义后处理层。

了解更多关于 YOLOv10 的信息

Link to this section性能与指标对比#

在比较这两种架构时，查看参数量、FLOPs 和准确性之间的权衡至关重要。以下是它们在 COCO dataset 上性能指标的精确对比。

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
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

虽然 YOLOv10 在某些规模下以更少的参数实现了略高的 mAP，但 YOLOv8 提供了更强大的生态系统和更广泛的任务支持，使其在需要不仅仅是边界框的生产环境中通常更加可靠。

Link to this section生态系统与训练方法#

现代 ML 工作流真正的区别因素通常是围绕架构的生态系统。选择像 YOLOv8 这样的 Ultralytics 模型可以提供无与伦比的易用性和无缝的开发者体验。

通过高度直观的 Python SDK，开发者可以以极小的阻力处理数据标注、训练和部署。Ultralytics 生态系统维护得非常好，提供频繁的更新、关于超参数调优的全面文档，以及在 Discord 和 GitHub 等平台上的强大社区支持。

Link to this section代码示例：简化训练#

Ultralytics Python API 使得实例化、训练和验证任一模型都变得极其简单。请注意，无论底层架构如何，相同的工作流都适用。

from ultralytics import YOLO

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

# Train the model efficiently with automated learning rate scheduling
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # optimized CUDA memory usage
    batch=16,
)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Export to ONNX for edge deployment
model.export(format="onnx")

Link to this section应用场景与建议#

在 YOLOv8 和 YOLOv10 之间进行选择取决于你的具体项目要求、部署约束和生态系统偏好。

Link to this section何时选择 YOLOv8#

YOLOv8 是以下场景的有力选择：

  • 多任务部署： 需要在 Ultralytics 生态系统中进行检测、分割、分类和姿态估计的成熟模型项目。
  • 已建立的生产系统： 已经在 YOLOv8 架构上构建，并拥有稳定、经过良好测试的部署流水线的现有生产环境。
  • 广泛的社区和生态支持： 从 YOLOv8 丰富的教程、第三方集成和活跃的社区资源中受益的应用。

Link to this section何时选择 YOLOv10#

推荐使用 YOLOv10 的情况：

  • 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
  • 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
  • 延迟一致的应用： 在机器人或自动驾驶系统等对可预测推理时间有严格要求的部署场景中。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：

  • 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this section未来：迈向 YOLO26#

虽然 YOLOv8 是一款出色的全能型模型，而 YOLOv10 为无 NMS 架构提供了深刻的学术见解，但计算机视觉的前沿技术已经向前推进。为了在速度、准确性和部署简便性之间达到极致平衡，我们强烈建议迁移到 YOLO26。

发布于 2026 年初，YOLO26 代表了 YOLO 系列的绝对巅峰。它无缝融合了其前身的最优特性，同时引入了突破性的新技术：

  • 端到端无 NMS 设计： 采用了 YOLOv10 开创性的突破，YOLO26 原生消除了 NMS，以实现更快、更简单的部署。
  • DFL 移除： Distribution Focal Loss 的移除使得将模型导出到 CoreML 和边缘设备的过程变得更加顺畅。
  • MuSGD 优化器： 受大语言模型（LLM）训练范式的启发，这种混合优化器保证了更快的收敛速度和无与伦比的训练稳定性。
  • CPU 推理优势： 与前几代相比，YOLO26 的 CPU 推理速度提升了高达 43%，这使其成为 Raspberry Pi 和物联网（IoT）应用的颠覆性技术。
  • ProgLoss + STAL： 这些先进的损失函数在小目标识别方面提供了显著的改进，这对于航拍图像和机器人技术至关重要。

了解更多关于 YOLO26 的信息

如果你目前正在评估模型，你可能还会对 YOLO11 感兴趣，它是 YOLO26 的直接前身，目前仍是一个在企业解决方案中广泛使用的、稳固且可用于生产的框架。然而，为了实现最大程度的面向未来和性能提升，利用 YOLO26 探索 Ultralytics Platform 的高级功能是你视觉 AI 策略的最佳前进方向。

贡献者
GLglenn-jocher13

评论