开始使用

YOLOX 与 YOLO26 对比

过去十年间,计算机视觉领域发生了显著变化。其中两个重要里程碑是让无锚框架构广为流行的 YOLOX,以及引入Ultralytics YOLO26,为实时检测带来原生端到端、无需 NMS 设计。这篇对比将分析它们的架构、性能指标和理想部署场景,帮助开发者为下一个 AI 项目做出明智选择。

模型概述#

了解每种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重要背景。

YOLOX#

YOLOX 于 2021 年年中推出,通过采用无锚框设计、解耦检测头和 SimOTA 标签分配策略,带来了重大转变。YOLOX 摆脱了早期架构占主导地位的传统锚框机制,帮助弥合学术研究与工业应用之间的差距,为目标检测提供了简单有效的框架。

详细了解 YOLOX

YOLO26#

YOLO26 于 2026 年 1 月发布,建立在多年迭代改进的基础上,重点优化边缘部署和简化训练流水线。它引入了可选的端到端、无需 NMS 的一对一检测头(nms=False),跳过传统的非极大值抑制 (NMS)后处理步骤,从而简化模型在各种硬件上的部署。移除 Distribution Focal Loss (DFL) 模块也简化了检测头并降低了延迟,使 YOLO26 成为现代计算机视觉应用的理想选择。

架构创新#

这两种模型的架构体现了深度学习方法的快速发展,尤其是在损失函数和后处理方面。

YOLOX 的开发方式#

YOLOX 在预测头中将分类任务与回归任务解耦,显著加快了训练期间的收敛速度。其无锚特性减少了设计参数数量,降低了训练前进行复杂锚框调优的必要性。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 注重架构效率。移除 NMS 不仅降低了推理延迟,还能提供稳定、可预测的执行时间,这对自动驾驶汽车和机器人应用至关重要。

YOLO26 的主要创新包括:

  • MuSGD 优化器:受大语言模型 (LLM) 训练技术启发,这种结合 SGD 和 Muon 的混合方案可带来稳定的训练过程和更快的收敛速度。
  • CPU 推理速度最高提升 43%:移除 DFL 并精简架构后,YOLO26n 在 CPU 上的运行速度比 YOLO11n 最多快 43%,适用于从简单 IoT 传感器到 Raspberry Pi 板卡等资源受限的边缘设备。
  • 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,这对分析航空影像以及在制造自动化中执行精密质量控制至关重要。
面向边缘设备的优化

如果你的项目面向嵌入式系统或没有专用 GPU 的移动应用,YOLO26 优化后的 CPU 性能将带来显著优势,其计算开销低于前几代模型。

性能与基准测试#

评估用于生产环境的模型时,分析精度、速度和计算复杂度之间的平衡至关重要。下文详细比较了输入图像尺寸为 640 像素的标准模型(nano/tiny 变体为 416 像素)。

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

如表所示,YOLO26 系列实现了更好的性能平衡。例如,YOLO26x 的 mAP 达到 57.5,参数量比 YOLOXx 少约 44%,同时 GPU 推理速度更快(11.8 ms 对 16.1 ms)。

训练与生态系统体验#

这两种架构在易用性和生态系统支持方面有显著差异。

YOLOX 仍是研究人员研究无锚框机制和标签分配的重要代码库,但其配置可能较为复杂,通常需要手动配置依赖项和算子。相比之下,Ultralytics 生态系统专为易用性而设计。

借助统一的 Python API,开发者只需几行代码即可初始化、训练和部署 YOLO26 模型。该 API 会处理数据集下载、支持超参数调优,并可导出为 ONNX、TensorRT 和 OpenVINO 等格式。

from ultralytics import YOLO

# 初始化端到端 YOLO26 small 模型
model = YOLO("yolo26s.pt")

# 训练模型;对于较长的训练任务(>10k 次迭代),optimizer="auto" 会选择 MuSGD
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 在验证集上评估模型性能
metrics = model.val()

# 导出优化后的模型,以便部署到边缘设备
model.export(format="onnx")

与大型 Transformer 替代方案相比,Ultralytics YOLO 模型在训练期间通常也只需较少内存,因此工程师即使使用消费级硬件,也能训练更大的批次。

实际应用#

最终,在 YOLOX 和 YOLO26 之间做选择,取决于你的部署限制和多任务需求。

YOLOX 的优势领域#

对于特定学术基准测试以及基于原始 YOLOX 代码库构建的旧系统,YOLOX 仍然可用。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时常用的基准模型。

YOLO26 的优势场景#

YOLO26 专为现代工业应用设计。它原生支持实例分割、语义分割、深度估计、图像分类、姿态估计和旋转边界框 (OBB),因此比仅支持检测的模型更加多功能。

  • 智慧零售与库存管理:无需 NMS 的设计可帮助自动结账系统以低延迟处理视频流,识别商品时不会受到后处理瓶颈的影响。
  • 无人机与航空分析:针对 OBB 的专用角度损失以及 ProgLoss + STAL,使 YOLO26 非常适合检测大型卫星图像中的旋转目标和微小特征。
  • 边缘安全系统:YOLO26 的 CPU 推理速度最高提升 43%(YOLO26n 对比 YOLO11n),因此企业可以直接在低成本本地硬件上部署可靠的安全分析系统,而无需昂贵的云端计算资源。

用例与建议#

在 YOLOX 和 YOLO26 之间做选择,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 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 YOLO26#

以下场景推荐使用 YOLO26:

  • 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: 没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),具有决定性优势。
  • 小目标检测:在无人机航空影像或 IoT 传感器分析等具有挑战性的场景中,ProgLoss 和 STAL 能提升微小目标的检测精度。

了解其他 Ultralytics 模型#

如果你正在了解计算机视觉的发展历程,Ultralytics 系列中还有其他值得研究的优秀模型:

  • YOLO11:YOLO26 的直接前代模型,在稳定的生产环境中性能可靠,并得到广泛的社区支持。
  • YOLOv8:经过实战验证的架构,在数千次真实部署中树立了易用性和灵活性的标准。

总而言之,YOLOX 为目标检测引入了重要概念,而 YOLO26 在速度、精度和部署简便性方面实现了代际提升,是新项目的推荐选择。

评论

提出问题、分享结果,或帮助其他人。