Ultralytics YOLO27：
Get Started

YOLOX 与 RTDETRv2#

为计算机视觉应用选择最佳架构，需要谨慎权衡精度、推理速度和部署可行性。在这篇全面的技术分析中，我们将探讨两者的根本差异：广受认可的无锚框 CNN 架构 YOLOX，以及先进的实时检测 Transformer RTDETRv2。

尽管这两款模型都为目标检测领域作出了重要贡献，但开发可用于生产环境的应用时，开发者往往会发现，Ultralytics YOLO26 等现代替代方案训练效率更高、内存需求更低，部署生态也更完善。

YOLOX：弥合研究与工业之间的差距#

YOLOX 是 YOLO 系列中广受欢迎的无锚框改版，它采用简化设计，并在发布时带来了显著的性能提升。

  • 作者：郑革、刘松涛、王峰、李泽明和孙剑
  • 机构：旷视科技
  • 日期： 2021 年 7 月 18 日
  • 链接： Arxiv、GitHub、文档

架构创新#

YOLOX 推动 YOLO 系列转向无锚框范式，融合了解耦头和先进的 SimOTA 标签分配策略。通过去除锚框，该架构显著减少了设计参数，并提升了在各类基准数据集上的泛化能力。其轻量级版本 YOLOX-Nano 和 YOLOX-Tiny，成为在边缘设备上部署视觉 AI 应用的热门选择。

遗留问题

YOLOX 带来了显著进步，但它依赖大量数据增强流程和较旧的后处理方法（如传统 NMS），与原生端到端模型相比，可能导致更高的延迟。

详细了解 YOLOX

RTDETRv2：推动实时视觉 Transformer 发展#

RTDETRv2 在前代模型的基础上，借助视觉 Transformer（ViT）的优势，在保持实时推理速度的同时实现了极具竞争力的精度。

  • 作者： Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang 和 Yi Liu
  • 组织： 百度
  • 日期： 2024-07-24
  • 链接： Arxiv、GitHub

架构创新#

RTDETRv2 采用基于 Transformer 的架构，从根本上重构了检测流程，原生绕过非极大值抑制（NMS）。它通过混合编码器和 IoU 感知查询选择来改进目标查询的初始化。该模型能有效处理多尺度特征，从而捕捉复杂环境中的精细细节，例如夜间交通视频检测。

不过，Transformer 天生十分耗费资源。训练 RTDETRv2 通常比基于 CNN 的替代方案需要更多 GPU 显存和计算资源，这对预算严格受限或需要频繁调整模型的团队来说可能是个障碍。

进一步了解 RTDETRv2

性能对比表#

为了客观评估这些架构，我们考察它们在 COCO 数据集上的表现。下表展示了精度（mAP）、参数量和计算复杂度之间的权衡。

模型尺寸
(像素)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

RTDETRv2 的精度表现出色，而 YOLOX 在轻量级参数规模方面更具优势，尤其是 Nano 和 Tiny 变体。

用例与建议#

选择 YOLOX 还是 RT-DETR，取决于你的具体项目需求、部署限制和生态偏好。

何时选择 YOLOX#

YOLOX 适合以下场景：

  • 无锚框检测研究：学术研究使用 YOLOX 简洁的无锚框架构作为基线，以试验新的检测头或损失函数。
  • 超轻量级边缘设备：部署到微控制器或旧款移动硬件时，YOLOX-Nano 变体极小的体积（0.91M 个参数）至关重要。
  • SimOTA 标签分配研究：研究项目用于探索基于最优传输的标签分配策略及其对训练收敛的影响。

何时选择 RT-DETR#

以下情况推荐使用 RT-DETR：

  • 基于 Transformer 的检测研究：探索注意力机制和 Transformer 架构，以实现无需 NMS 的端到端目标检测。
  • 对延迟要求灵活的高精度场景：检测准确率至关重要，且可以接受略高推理延迟的应用。
  • 大型目标检测：场景中的目标以中大型为主，此时 Transformer 的全局注意力机制能够发挥天然优势。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 无 NMS 的边缘部署：适用于要求推理延迟稳定且较低，同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 小目标检测：适用于无人机航拍影像等具有挑战性的场景，或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

Ultralytics 的优势：YOLO26#

YOLOX 和 RTDETRv2 各有所长，而新发布的 Ultralytics YOLO26 重新定义了视觉 AI 的先进水平，解决了速度、精度和部署便捷性之间长期存在的权衡问题。

1. 端到端无 NMS 架构#

YOLO26 借鉴 Transformer 模型的思路，同时保留 CNN 的效率，提供可选的端到端无 NMS 设计（nms=False）。通过省去作为后处理步骤的非极大值抑制，YOLO26 大幅简化了部署流程，确保在各种边缘设备上保持稳定的推理延迟，无需复杂的阈值调优。

2. CPU 推理速度最多提升 43%#

与严重依赖高端 GPU 的 RTDETRv2 等 Transformer 架构不同，YOLO26 专门针对边缘计算环境进行了优化。通过移除分布焦点损失（DFL），YOLO26 简化了模型导出流程，CPU 推理速度最高可提升 43%，非常适合部署在 Raspberry Pi 等硬件或普通移动设备上。

3. 借助 MuSGD 提升训练效率#

训练 Transformer 模型往往会导致CUDA 显存消耗过高、训练时间过长。YOLO26 引入了全新的 MuSGD 优化器，它结合了随机梯度下降与受大语言模型启发的 Muon 优化器。这项创新带来了极其稳定的训练和更快的收敛速度，与 RTDETRv2 相比，硬件需求显著降低。

4. 无与伦比的生态与多功能性#

Ultralytics 生态为开发者提供直观、流畅的使用体验。凭借详尽的文档、活跃的社区支持，以及云端驱动的 Ultralytics Platform，管理完整 AI 生命周期从未如此轻松。此外，YOLO26 功能丰富。RTDETRv2 专注于目标检测，而 YOLO26 则原生支持实例分割、图像分类、姿态估计和有向边界框（OBB）等任务。得益于全新的 ProgLoss + STAL（渐进式损失与小目标感知标签分配），YOLO26 在小目标识别方面也表现出色，这对于航拍影像和工业缺陷检测至关重要。

其他支持的模型

Ultralytics 框架还支持上一代的 YOLO11 和 YOLOv8，方便用户轻松评测模型并迁移旧有工作流。

与 Ultralytics 无缝集成#

部署模型不该意味着要与复杂、零散的代码库苦苦周旋。借助 Ultralytics Python API，只需几行代码，你就能加载、训练和导出先进模型。

from ultralytics import YOLO

# 加载最新的 YOLO26 nano 模型，以获得最佳边缘性能
model = YOLO("yolo26n.pt")

# 使用自定义数据集训练模型，同时最大限度减少内存开销
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 验证模型性能
metrics = model.val()

# 轻松导出为 ONNX 或 TensorRT，以便部署
model.export(format="onnx")

借助 Ultralytics，你无需面对研究代码库中常见的复杂环境配置问题，从而加快产品上市速度。

结论#

YOLOX 和 RTDETRv2 是实时目标检测发展历程中的重要里程碑。YOLOX 证明了高效无锚框 CNN 的可行性，而 RTDETRv2 则成功让 Transformer 适应了实时应用的限制。

不过，从智慧零售分析到嵌入式机器人等现代应用，[Ultralytics YOLO26]为你提供了可靠的解决方案。YOLO26 将无 NMS 推理与卓越的 CPU 速度、更低的内存占用以及 Ultralytics Platform 的强大支持融为一体，助开发者打造新一代可靠、高性能的计算机视觉系统。

贡献者
GLglenn-jocher17PDpderrenger1

评论