开始使用

YOLOX 与 YOLO11 对比

计算机视觉的发展一直由实时目标检测框架的需求推动,这些框架需要兼顾高精度与推理速度。在这一进程中,YOLOX 和 Ultralytics YOLO11 是两个重要里程碑。尽管这两种模型都为该领域作出了重要贡献,但它们的底层架构、设计理念和开发者生态系统存在显著差异。

本文将从技术角度对比它们的架构、性能指标、训练方法和理想部署场景,帮助你为下一个人工智能项目做出明智的选择。

YOLOX 概述#

2021 年 7 月 18 日,研究人员 Zheng Ge、Songtao Liu、Feng Wang、Zeming Li 和 Jian Sun 在旷视科技推出 YOLOX,为 YOLO 系列带来了重大转变。它通过引入无锚框设计,帮助弥合了学术研究与工业应用之间的差距。

如需了解更多技术背景,你可以阅读原始的 YOLOX arXiv 论文。

关键架构特性#

YOLOX 采用解耦检测头和无锚框机制,摆脱了传统的基于锚框的检测方式。这种设计减少了设计参数数量,并提升了模型在各种基准测试中的表现。此外,它还引入了 SimOTA 等标签分配策略,以加快训练并改善收敛。

尽管 YOLOX 在当时提供了出色的准确率,但它主要专注于边界框目标检测,并且开箱即用时不原生支持其他复杂的视觉任务。

了解更多 YOLOX 信息

无锚设计

通过移除预定义锚框,YOLOX 大幅减少了针对不同数据集所需的启发式调优,因此成为研究无锚框方法的有力基准模型。

Ultralytics YOLO11 概述#

YOLO11 于 2024 年 9 月 27 日由 Glenn Jocher 和 Jing Qiu 在 Ultralytics 发布,是一款专注于多功能性和易用性的生产就绪模型。它建立在多年的 YOLO 研究基础上,能够出色地完成多种任务。

Ultralytics 优势#

YOLO11 不只是目标检测器,还是一个统一框架,支持实例分割、图像分类、姿态估计和旋转边界框 (OBB)检测。其高效架构兼顾速度、参数量和精度。

此外,YOLO11 已全面集成到 Ultralytics Platform,该平台为数据标注、模型训练和部署提供了精简的生态系统。

性能与指标对比#

比较这些模型时,性能平衡的差异就显而易见了。在大多数尺寸类别中,与对应的 YOLOX 模型相比,YOLO11 的平均精度均值(mAP)更高,参数量和 FLOPs 则显著更少。

模型尺寸
(像素)
mAPval50-95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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

如图所示,YOLO11 模型在保持参数量更少的同时,精度始终优于 YOLOX。例如,YOLO11m 仅用 20.1M 个参数就达到了 51.5 mAP,而 YOLOXx 虽然取得相近的 51.1 mAP,却需要 99.1M 个参数。较高的参数效率降低了训练和推理期间的内存使用,使 YOLO11 非常适合部署在边缘 AI 设备上,并避免了 RT-DETR 等旧款模型或基于 Transformer 的模型通常较高的 CUDA 内存需求。

高效训练

与 YOLOX 和基于 Transformer 的架构相比,Ultralytics 模型在训练时通常需要更少的 GPU 内存,让研究人员能够在标准消费级硬件上训练强大的模型。

生态系统与易用性#

这两个框架之间最大的区别之一在于开发者体验。

YOLOX 通常需要克隆代码库、配置复杂环境,并运行冗长的命令行参数,才能训练模型并将模型导出为 ONNX 或 TensorRT 等格式。

相比之下,Ultralytics YOLO11 提供简单易用的 Python API 和 CLI。Ultralytics 库会自动处理数据增强、超参数调优和模型导出。

from ultralytics import YOLO

# 加载预训练的 YOLO11 模型
model = YOLO("yolo11n.pt")

# 使用自定义数据训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 将训练好的模型导出为 TensorRT,以便优化部署
model.export(format="engine")

这个维护完善的生态系统拥有丰富的文档,并可与 Weights & Biases 等工具集成以进行实验跟踪。

理想应用场景#

在这些模型之间做选择,通常取决于部署环境的具体情况。

何时使用 YOLOX#

  • 旧系统:如果你已有明确基于原始 YOLOX 代码库或 2021 年初目标检测范式构建的成熟流程。
  • 学术基线:当你的研究需要直接与 2021 年时期的基础无锚架构进行基准测试时。

何时使用 YOLO11#

  • 生产部署:适用于智慧零售或安全报警系统等商业应用,这些场景离不开可靠、维护完善的代码和高精度。
  • 多任务流程:当项目需要使用单一统一框架跟踪物体、估计人体姿态并进行实例分割时。
  • 资源受限的边缘设备:YOLO11 参数量低、吞吐量高,非常适合部署在 Raspberry Pi 或通过 CoreML 和 NCNN 部署在移动边缘节点上。

展望未来:YOLO26 的优势#

YOLO11 相比 YOLOX 有了很大进步,但计算机视觉领域仍在快速发展。对于今天启动新项目的开发者,推荐使用 Ultralytics YOLO26。

YOLO26 于 2026 年 1 月发布,在 YOLO11 的基础上引入了多项新功能:

  • 端到端、无需 NMS 的设计:YOLO26 的可选一对一检测头(nms=False)无需进行非极大值抑制 (NMS)后处理,从而简化并加快部署流程(这种方案最早在 YOLOv10 中进行探索)。
  • CPU 推理速度最高提升 43%:移除 Distribution Focal Loss (DFL) 并实现无需 NMS 的推理后,YOLO26n 在 CPU 上的速度比 YOLO11n 最多快 43%,有利于低功耗边缘设备。
  • MuSGD 优化器:受 Moonshot AI 的 Kimi K2 等 LLM 训练创新启发,MuSGD 优化器(SGD 与 Muon 的混合方案)可实现稳定训练和快速收敛。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配 (STAL) 可提升小目标检测能力,这对无人机影像和自主机器人至关重要。

对于大多数现代计算机视觉任务,YOLO26 在速度、精度和部署简便性之间实现了最佳平衡。

评论2

提出问题、分享结果,或帮助其他人。

  1. shah0nawazGitHub

    Is the latency comparison on the same machine? If yes, please if you can give me the reference , I am working on the latency accuracy trade-off research.

    1. Glenn JocherUltralytics

      @shah0nawaz I can’t confirm that the listed latencies were measured on the same machine, so I wouldn’t treat them as a controlled comparison for your research. The YOLO11 performance table specifies T4/TensorRT10, while the official YOLOX benchmarks report V100 timings and do not establish the provenance of the YOLOX latencies shown here. For a defensible latency–accuracy trade-off, benchmark both on the same GPU with matched input size, batch size, precision, runtime version, and timing boundaries, explicitly stating whether preprocessing and NMS are included.