Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOX 与 YOLOv6-3.0#

计算机视觉的演进很大程度上是由 YOLO 系列的快速发展所定义的。为你的部署选择合适的架构，通常归结于在原始吞吐量、架构简洁性和训练效率之间取得平衡。这一历程中的两个显著里程碑是 YOLOX 的无锚点研究重点以及 YOLOv6-3.0 的高度优化工业级吞吐量。

本技术比较分析了它们的架构差异、性能指标和理想用例，同时还介绍了Ultralytics YOLO26的下一代功能，供寻求极致边缘和云端部署解决方案的开发者参考。

Link to this sectionYOLOX：连接研究与工业#

YOLOX 由旷视科技 (Megvii)的研究人员开发，其引入标志着 YOLO 架构的一次重大转变，即通过彻底移除锚点使其完全实现无锚点化。

Link to this section架构亮点#

YOLOX 成功地将无锚点设计集成到了 YOLO 家族中。通过消除预定义的锚框 (anchor boxes)，该模型显著减少了训练期间所需的设计参数和启发式调优。这使得 YOLOX 能够高度适应各种自定义数据集，而无需手动重新计算锚点。

此外，YOLOX 引入了解耦头架构。通过将分类和回归任务分离到不同的分支中，模型解决了识别对象是什么与位于何处之间的固有冲突。配合 SimOTA 标签分配策略，YOLOX 实现了更快的收敛速度和更高的平均精度均值 (mAP)。

了解更多关于 YOLOX 的信息

无锚（Anchor-Free）优势

像 YOLOX 这样的无锚点检测器通常在具有不寻常对象宽高比的自定义数据集上表现更好，因为它们不依赖于可能与新数据不匹配的固定边界框先验。

Link to this sectionYOLOv6-3.0：工业级重量选手#

YOLOv6-3.0 由美团 (Meituan)的视觉 AI 部门开发，它毫不含糊地专为最大化工业吞吐量而设计，特别是在使用TensorRT等硬件加速器的 NVIDIA GPU 上。

  • 作者： Chuyi Li, Lulu Li, Yifei Geng 等。
  • 组织： 美团
  • 日期： 2023-01-13
  • Arxiv： 2301.05586
  • GitHub： meituan/YOLOv6

Link to this section针对部署的优化#

YOLOv6-3.0 专注于最大化GPU的利用率。它在颈部引入了双向拼接 (BiC) 模块，在保持高推理速度的同时增强特征融合。虽然推理阶段完全不使用锚点，但 YOLOv6-3.0 采用了创新的锚点辅助训练 (AAT) 策略，以便在训练阶段受益于基于锚点的稳定性。

主干网络采用硬件友好的 EfficientRep 架构构建，旨在最大限度地减少内存访问成本，并最大化现代加速器上的计算密度。这使得 YOLOv6 成为服务器端视频分析的卓越候选方案。

了解更多关于 YOLOv6 的信息

Link to this section性能比较#

在比较这些模型时，开发者必须权衡原始精度与推理速度以及参数量。下表重点介绍了这两个模型家族在各种规模下的性能。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

尽管 YOLOv6-3.0 在更大规模的变体中展现出了更优越的 mAP 和出色的 TensorRT 速度，但 YOLOX 由于其简洁性和在旧硬件上的稳健性能，仍然保持着极强的竞争力。

Link to this section应用场景与建议#

在 YOLOX 和 YOLOv6 之间进行选择，取决于你的具体项目需求、部署限制和生态系统偏好。

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 YOLOv6#

YOLOv6 推荐用于：

  • 工业级硬件感知部署： 在这种场景下，模型对硬件的感知设计和高效重参数化可在特定目标硬件上提供优化的性能。
  • 快速单阶段检测： 在受控环境中，优先考虑 GPU 上的原始推理速度以进行实时视频处理的应用。
  • 美团生态系统集成： 已经在 美团 技术栈和部署基础设施内工作的团队。

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#

虽然旷视科技和美团都提供了强大的研究代码库，但在生产环境中部署这些模型通常需要大量的工程开销。集成的Ultralytics 生态系统通过提供统一且文档详尽的 API 消除了这些障碍。

通过利用 Ultralytics 软件包，开发者可以获得无与伦比的用户体验。这包括内置的自动增强 (auto-augmentation)、训练期间的高效内存管理（相比于像RTDETR这样的 Transformer 模型大幅降低了 VRAM 要求），以及到ONNX和OpenVINO等格式的无缝导出流程。

与专用模型不同，Ultralytics 架构天生具有通用性，开箱即用地支持目标检测、实例分割、姿态估计、图像分类和旋转边界框 (OBB)。

Link to this section隆重推出 YOLO26：极致边缘解决方案#

对于开启新计算机视觉项目的团队，我们强烈建议升级到最新发布的 Ultralytics YOLO26。在YOLO11和YOLOv8成功的基础上，YOLO26 引入了范式转换的创新：

  • 端到端无需 NMS 的设计： YOLO26 最早于 YOLOv10 中探索，原生消除了对非极大值抑制 (NMS)后处理的需求。这保证了对于实时机器人技术至关重要的确定性、超低延迟推理。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等 LLM 训练技术启发，YOLO26 采用了 MuSGD 优化器（SGD 和 Muon 的混合体），以实现极其稳定的训练动态和更快的收敛速度。
  • CPU 推理速度提升高达 43%： 通过移除分布焦点损失 (DFL) 并精简网络头部，YOLO26 针对依赖CPU 执行的边缘设备进行了深度优化，在边缘场景中大幅超越了 YOLOv6。
  • ProgLoss + STAL： 这些先进的损失公式在小目标检测方面提供了显著的改进，使得 YOLO26 非常适合航空影像和微观缺陷检测。

了解更多关于 YOLO26 的信息

Link to this section统一的训练示例#

使用 Ultralytics Python API，训练最先进的模型只需几行代码。无论你是测试旧版 YOLO 模型还是部署前沿的 YOLO26 框架，都适用这套整洁的接口。

from ultralytics import YOLO

# Load the next-generation YOLO26 model (NMS-free, optimized for edge)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The ecosystem handles downloading, caching, and auto-batching natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model and print mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

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

为了获得更流畅的体验，请使用零代码的Ultralytics Platform在云端管理你的数据集、跟踪实验并训练模型。

Link to this section用例建议#

在决定使用这些架构时，请考虑你的特定硬件限制和项目需求：

  • 选择 YOLOX，如果你正在进行关于标签分配策略的学术研究，或者需要一个纯粹、易于理解的无锚点基准来进行自定义架构修改。
  • 选择 YOLOv6-3.0，如果你是在部署到配置有高端 NVIDIA GPU（如 A100 或 T4）的工业服务器机架上，且可以利用大批量大小和 TensorRT 优化来同时处理数百个视频流。
  • 选择 YOLO26，适用于绝大多数现代应用。如果你正在为物联网设备、无人机或手机构建边缘 AI应用，YOLO26 原生的无需 NMS 设计、CPU 优化和全面的生态系统支持，使其成为架起训练与生产之间桥梁的无可争议的最佳选择。
贡献者
GLglenn-jocher14PDpderrenger1

评论