Link to this sectionYOLOX 与 RTDETRv2#

为 计算机视觉应用 选择最佳架构需要仔细权衡精度、推理速度和部署可行性。在这份全面的技术分析中，我们探讨了 YOLOX（一种非常成功的无锚点 CNN 架构）与 RTDETRv2（一种最先进的实时检测 Transformer）之间的根本区别。

虽然这两种模型都为 目标检测 领域做出了重大贡献，但开发生产级应用的开发者往往发现，像 Ultralytics YOLO26 这样的现代替代方案提供了更出色的训练效率、更低的内存需求以及更强大的部署生态系统。

Link to this sectionYOLOX：架起研究与工业之间的桥梁#

YOLOX 作为 YOLO 系列的一种广受欢迎的无锚点适配方案脱颖而出，引入了一种简化的设计，在其发布时带来了令人瞩目的性能提升。

• 作者： Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, and Jian Sun
• 组织： Megvii
• 日期： 2021年7月18日
• 链接： Arxiv, GitHub, Docs

Link to this section架构创新#

YOLOX 将 YOLO 家族转向了无锚点范式，集成了分离头和先进的 SimOTA 标签分配策略。通过消除锚框，该架构显著减少了设计参数数量，并改善了在各种 基准数据集 上的泛化能力。其轻量级版本 YOLOX-Nano 和 YOLOX-Tiny 已成为在 边缘设备上部署视觉 AI 应用 的热门选择。

了解更多关于 YOLOX 的信息

Link to this sectionRTDETRv2：推进实时视觉 Transformer#

RTDETRv2 在前代产品的基础上，利用视觉 Transformer (ViT) 的强大功能，在不牺牲实时推理速度的情况下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
• 机构： Baidu
• 日期： 2024-07-24
• 链接： Arxiv, GitHub

Link to this section架构创新#

RTDETRv2 通过利用基于 Transformer 的架构从根本上重塑了检测流水线，该架构原生绕过了非极大值抑制 (NMS)。这是通过混合编码器和 IoU 感知查询选择实现的，改善了对象查询的初始化。该模型有效地处理多尺度特征，使其能够捕获复杂环境中的细微细节，例如 夜间交通视频检测。

然而，Transformer 本质上是资源密集型的。训练 RTDETRv2 通常需要比 CNN 替代方案显著更多的 GPU 内存和计算周期，这对于在严格预算约束下运营的团队，或那些需要频繁进行 模型调优 的团队来说可能是一个障碍。

了解更多关于 RTDETR 的信息

Link to this section性能对比表#

为了客观评估这些架构，我们检查了它们在 COCO 数据集 上的性能。下表说明了精度 (mAP)、参数数量和计算复杂度之间的权衡。

虽然 RTDETRv2 达到了令人印象深刻的精度，但 YOLOX 在轻量级参数配置方面保持优势，特别是其 Nano 和 Tiny 变体。

Link to this section应用场景与建议#

在 YOLOX 和 RT-DETR 之间进行选择，取决于你的具体项目需求、部署约束和生态系统偏好。

Link to this section何时选择 YOLOX#

YOLOX 是以下场景的有力选择：

• 无锚点检测研究： 学术研究使用 YOLOX 简洁的无锚点架构作为基准，用于实验新的检测头或损失函数。
• 超轻量级边缘设备： 部署在微控制器或遗留移动硬件上，此时 YOLOX-Nano 变体极小的体积（0.91M 参数）至关重要。
• SimOTA 标签分配研究： 探索基于最优传输的标签分配策略及其对训练收敛影响的研究项目。

Link to this section何时选择 RT-DETR#

推荐使用 RT-DETR 的场景为：

• 基于 Transformer 的检测研究： 探索注意力机制和 Transformer 架构以实现无 NMS 的端到端目标检测的项目。
• 高精度、延迟要求宽松的场景： 将检测精度置于首位，且可以容忍稍高推理延迟的应用。
• 大目标检测： 以中大型目标为主的场景，在这种场景下，Transformer 的全局注意力机制具有天然优势。

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 sectionUltralytics 的优势：YOLO26#

尽管 YOLOX 和 RTDETRv2 各具优势，但新发布的 Ultralytics YOLO26 重新定义了视觉 AI 的最新技术水平，解决了速度、精度和部署简便性之间的历史性权衡。

Link to this section端到端无 NMS 架构#

在借鉴 Transformer 模型并保持 CNN 高效性的同时，YOLO26 采用了原生的 端到端无 NMS 设计。通过消除作为后处理步骤的非极大值抑制，YOLO26 大幅简化了部署流水线，确保了在各种边缘设备上的一致推理延迟，且无需处理复杂的阈值调优开销。

Link to this sectionCPU 推理速度提升高达 43%#

与高度依赖高端 GPU 的 RTDETRv2 等 Transformer 架构不同，YOLO26 专为 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，并实现了高达 43% 的 CPU 推理速度提升，使其成为集成到诸如 Raspberry Pi 或标准移动设备等硬件中的理想选择。

Link to this section使用 MuSGD 的训练效率#

训练 Transformer 模型往往会导致过高的 CUDA 内存消耗 和延长的训练时间。YOLO26 引入了创新的 MuSGD 优化器——它是随机梯度下降和受 LLM 启发的 Muon 优化器的混合体。这一创新带来了极其稳定的训练和更快的收敛速度，与 RTDETRv2 相比显著降低了硬件要求。

Link to this section无与伦比的生态系统和多功能性#

Ultralytics 生态系统 提供了直观、简化的开发者体验。凭借丰富的文档、活跃的社区支持以及基于云的 Ultralytics 平台，管理完整的 AI 生命周期从未如此简单。此外，YOLO26 具有极高的多功能性。虽然 RTDETRv2 专注于目标检测，但 YOLO26 原生无缝支持 实例分割、姿态估计、图像分类 和 旋转边界框 (OBB) 任务。在新的 ProgLoss + STAL 损失函数的增强下，YOLO26 在小目标识别方面也表现卓越，这对于 航空影像 和 工业缺陷检测 而言是一项关键功能。

Link to this section与 Ultralytics 的无缝集成#

部署模型不应需要处理复杂、碎片化的代码库。Ultralytics Python API 让你只需几行代码即可加载、训练和导出最先进的模型。

from ultralytics import YOLO

# Load the latest YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT for deployment
model.export(format="onnx", optimize=True)

通过利用 Ultralytics，你可以避开研究仓库中常见的复杂环境配置，从而加快上市时间。

Link to this section结论#

YOLOX 和 RTDETRv2 代表了实时目标检测发展过程中的重要里程碑。YOLOX 证明了高效无锚点 CNN 的可行性，而 RTDETRv2 则成功地将 Transformer 适配到了实时约束中。

然而，对于从 智慧零售分析 到嵌入式机器人的各种现代应用，Ultralytics YOLO26 提供了最终解决方案。通过将无 NMS 推理与无与伦比的 CPU 速度、更小的内存占用以及 Ultralytics 平台的强大支持相结合，YOLO26 使开发者能够构建下一代可靠、高性能的计算机视觉系统。