YOLOX 与 YOLO26 对比#

计算机视觉领域在过去十年中经历了令人惊叹的变革。这段历程中的两个重要里程碑是普及了无锚框架构的 YOLOX 的发布，以及最近推出的 Ultralytics YOLO26，它通过原生的端到端、无 NMS 设计彻底重新定义了实时性能。这份全面的对比探讨了它们的架构、性能指标以及理想的部署场景，帮助开发者为下一个 AI 项目做出明智的决策。

模型概述#

了解每个模型的起源和主要设计目标，能为理解它们各自的技术成就提供必要的背景。

YOLOX#

作者：Zheng Ge、Songtao Liu、Feng Wang、Zeming Li 和 Jian Sun
组织：Megvii
日期：2021-07-18
Arxiv：2107.08430
GitHub：Megvii-BaseDetection/YOLOX
文档：YOLOX GitHub Docs

YOLOX 于 2021 年年中推出，通过采用无锚框设计、解耦头以及被称为 SimOTA 的先进标签分配策略，带来了重大的转变。通过摆脱主导以往架构的传统锚框机制，YOLOX 成功弥合了学术研究与工业应用之间的鸿沟，为对象检测提供了一个优雅且高效的框架。

了解更多关于 YOLOX 的信息

YOLO26#

作者：Glenn Jocher 和 Jing Qiu
组织：Ultralytics
日期：2026-01-14
GitHub：ultralytics/ultralytics
平台：Ultralytics Platform

发布于 2026 年初的 YOLO26 是多年迭代改进的结晶，高度专注于边缘部署和简化的训练流水线。它引入了端到端无 NMS 设计，完全消除了传统的非极大值抑制后处理步骤。这一突破大幅简化了模型在各种硬件上的部署。此外，通过移除分布焦点损失（DFL）模块，YOLO26 实现了显著更低的延迟，巩固了其作为现代计算机视觉应用首选地位。

了解更多关于 YOLO26 的信息

架构创新#

这两个模型的架构凸显了深度学习方法的快速进步，特别是在损失函数和后处理方面。

YOLOX 的方法#

YOLOX 在其预测头中将分类和回归任务解耦，这显著加速了训练过程中的收敛。其无锚框的特性减少了设计参数的数量，减轻了训练前进行复杂锚框调优的需求。结合 SimOTA 标签分配算法，YOLOX 在当时取得了最先进的成果，尤其是在COCO 数据集等标准基准上。

YOLO26 的优势#

YOLO26 将架构效率提升到了一个新的水平。移除 NMS 不仅减少了推理延迟，还确保了一致、确定性的执行时间——这对于自动驾驶汽车和机器人技术来说是一个关键因素。

YOLO26 的主要创新包括：

• MuSGD 优化器： 受大语言模型（LLM）训练技术的启发，这种 SGD 和 Muon 的混合体确保了极其稳定的训练运行和更快的收敛速度。
• CPU 推理速度最高提升 43%： 通过消除 DFL 并简化网络架构，YOLO26 针对资源受限的边缘设备进行了高度优化，从简单的物联网传感器到 Raspberry Pi 板卡均适用。
• ProgLoss + STAL： 这些先进的损失函数在小目标识别方面带来了显着的改进，这对于分析航拍图像以及在制造自动化中执行精确的质量控制至关重要。

性能与基准测试#

在评估生产环境模型时，分析精度、速度和计算复杂度之间的平衡至关重要。以下是针对图像尺寸为 640 像素（nano/tiny 版本为 416 像素）的标准模型进行的详细对比。

正如表格所示，YOLO26 系列提供了出色的性能平衡。例如，YOLO26x 实现了令人印象深刻的 57.5 mAP，同时使用的参数量仅为 YOLOXx 模型的一半左右，这直接转化为更快的 GPU 推理时间（11.8 毫秒对比 16.1 毫秒）以及极其优越的部署灵活性。

训练和生态系统体验#

这些架构之间最深刻的区别之一在于其易用性和生态系统支持。

虽然 YOLOX 仍然是研究梯度流和无锚框机制的研究人员的基础代码库，但其设置可能很复杂，通常需要手动配置依赖项和算子。相反，**Ultralytics 生态系统**定义了易用性的行业标准。

通过利用统一的 Python API，开发者可以以无与伦比的简洁性初始化、训练和部署 YOLO26 模型。系统原生处理数据集下载、超参数调优，并无缝导出为 ONNX、TensorRT 和 OpenVINO 等格式。

from ultralytics import YOLO

# Initialize the cutting-edge, end-to-end YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with built-in MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Export the optimized model for edge deployment
model.export(format="onnx")

此外，与繁重的基于 Transformer 的替代方案相比，Ultralytics YOLO 模型在训练期间的内存需求明显更低，使工程师即使在消费级硬件上也能训练更大的批次。

实际应用场景#

在 YOLOX 和 YOLO26 之间进行选择，最终取决于你的部署限制和多任务需求。

YOLOX 的优势场景#

YOLOX 仍然是特定学术基准和深度集成 MegEngine 框架的遗留系统的可行候选者。其历史意义使其成为研究无锚框检测器和自定义分配策略的热门基准。

YOLO26 的优势场景#

YOLO26 从根本上是为现代工业应用设计的。因为它原生支持实例分割、姿态估计和旋转边界框 (OBB)，所以它比标准检测引擎更加多功能。

• 智能零售和库存： 利用无需 NMS 的设计，确保自动化结账系统以超低延迟处理视频流，在没有后处理循环瓶颈的情况下识别产品。
• 无人机和航空分析： 针对 OBB 的专用角度损失以及 ProgLoss + STAL 的集成，使 YOLO26 在检测大范围卫星图像中的旋转物体和细小特征方面表现无可匹敌。
• 边缘安全系统： 凭借其快 43% 的 CPU 推理速度，YOLO26 允许公司直接在低成本的本地硬件上部署强大的安全分析功能，而无需昂贵的云端算力。

应用场景与建议#

选择 YOLOX 还是 YOLO26 取决于你的具体项目需求、部署限制和生态系统偏好。

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。

何时选择 YOLO26#

建议在以下情况下选择 YOLO26：

• 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： 诸如航拍无人机图像或物联网传感器分析等具有挑战性的场景，其中 ProgLoss 和 STAL 显著提高了微小目标的准确率。

探索其他 Ultralytics 模型#

如果你正在探索计算机视觉的演进，Ultralytics 系列中还有其他值得研究的高性能模型：

• YOLO11： YOLO26 的直接前身，为稳定的生产环境提供强大的性能和广泛的社区支持。
• YOLOv8： 一个经过大量实战检验的架构，为数千个真实世界部署中的易用性和灵活性设定了标准。

总之，虽然 YOLOX 为目标检测领域引入了关键概念，但全新的 YOLO26 在速度、精度和部署简洁性上实现了代际跨越，使其成为前瞻性开发者和企业的最终选择。