开始使用

YOLOX 与 YOLOv7

实时目标检测的发展由持续的架构创新推动。在这一发展历程中,YOLOX 和 YOLOv7 是两个重要里程碑。两者发布间隔不到一年,都为标准目标检测范式引入了新方法,显著改善了速度与精度之间的权衡。

本页从技术角度分析 YOLOX 和 YOLOv7,比较两者的架构、性能指标和理想应用场景,帮助开发者为计算机视觉部署选择合适的工具。

YOLOX:无锚框检测的先行者#

YOLOX 于 2021 年 7 月由 Megvii 的研究人员推出。它摆脱了传统的基于锚框设计,代表了一次重大转变。YOLOX 弥合了学术研究与工业应用之间的差距,简化了检测头并提升了整体性能。

模型主要信息:

架构创新#

YOLOX 引入了无锚框方法,大幅减少了针对自定义数据集所需的设计参数和启发式调参。它采用解耦头,将分类和回归任务分开,从而提升收敛速度和精度。此外,YOLOX 还采用 MixUp 和 Mosaic 等先进的数据增强策略,以增强模型的鲁棒性。

了解更多 YOLOX 信息

无锚框的优势

YOLOX 每个位置只预测一个边界框,而不是多个锚框,因此训练时需要使用交并比 (IoU) 与真实标注框进行匹配的预测数量更少,从而简化标签分配,并降低 CUDA 内存用量。

YOLOv7:可训练的免费优势组合#

YOLOv7 于 2022 年 7 月由中国台湾中央研究院资讯科学研究所的研究人员发布,进一步推进了实时目标检测的发展。它提出了“可训练的免费策略包”概念,并在发布时于 MS COCO 数据集上刷新了最先进的结果。

模型主要信息:

架构创新#

YOLOv7 的架构以扩展高效层聚合网络 (E-ELAN) 为核心,能够持续学习更多样的特征,同时不削弱梯度路径。此外,YOLOv7 采用模型重参数化技术,可在推理期间将复杂的多分支训练网络简化为速度更快的单路径网络。

详细了解 YOLOv7

性能对比#

评估这些模型在实际应用中的表现时,了解它们在不同规模下的性能至关重要。下表对比了不同尺寸 YOLOX 和 YOLOv7 的标准指标。

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

分析#

  • 精度: YOLOv7 的 mAP 通常高于相应的 YOLOX 模型。例如,YOLOv7x 的 mAP 为 53.1,而 YOLOXx 为 51.1。
  • 速度:两种模型都针对使用 TensorRT 的 GPU 执行进行了优化。在较大型号中,YOLOv7 的速度和精度都更高(例如,YOLOv7l 的运行时间为 6.84 毫秒,而 YOLOXl 为 9.04 毫秒),不过 YOLOX 提供了更小的边缘设备型号。
  • 多功能性: YOLOv7 将应用范围扩展到了边界框之外,原生提供了实例分割和姿态估计权重,因此比基础版 YOLOX 代码库更加灵活。

实际应用#

在这两款模型之间做选择,通常取决于你的具体部署环境。

边缘计算与物联网#

对于 Raspberry Pi 或较旧的移动处理器等资源受限的边缘设备,YOLOX-Nano 和 YOLOX-Tiny 都是不错的选择。它们参数量少且采用无锚框设计,更容易部署在低功耗环境中,用于基础运动跟踪或智能门铃等任务。

高保真视频分析#

对于工业缺陷检测或密集交通监控中的高分辨率视频流处理,YOLOv7 是更好的选择。其强大的特征聚合能力让它即使在目标部分遮挡或尺度差异很大的情况下,也能保持较高精度。

用例与建议#

选择 YOLOX 还是 YOLOv7,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 YOLOv7#

以下情况建议使用 YOLOv7:

  • 学术基准测试:复现 2022 年的最先进成果,或研究 E-ELAN 和可训练的免费优势集合技术所带来的影响。
  • 重参数化研究:研究计划中的重参数化卷积和复合模型缩放策略。
  • 现有自定义流水线:项目已围绕 YOLOv7 特定架构构建了高度定制的流水线,且难以重构。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 无 NMS 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
  • 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:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

Ultralytics 优势#

YOLOX 和 YOLOv7 都是功能强大的研究实现,但从研究代码库迁移到可扩展的生产环境可能颇具挑战。Ultralytics Platform 正是为此提供帮助。

Ultralytics 模型提供统一的 Python API,将模型训练、验证和部署整合为精简、标准化的任务。这样就无需管理复杂的第三方依赖项或旧架构中常见的自定义 C++ 运算符。

此外,与基于 Transformer 的检测器(如 RT-DETR)相比,Ultralytics YOLO 模型训练时所需的 CUDA 内存显著更少。这样一来,开发者就能使用更大的批次大小,稳定训练过程并加快自定义数据集上的收敛速度。

支持的集成

Ultralytics 原生支持将模型导出为 ONNX、OpenVINO 和 CoreML 等行业标准格式,只需提供一个 format 参数即可,简化模型部署流程。

代码示例:使用 Ultralytics 进行训练#

Ultralytics Python 包无法原生训练或运行 YOLOv7 .pt 检查点(YOLOv7 文档介绍了如何运行已导出的 ONNX 或 TensorRT 模型),但 YOLO26 等较新的架构只需几行代码即可加载、训练和运行。

from ultralytics import YOLO

# 加载预训练的 YOLO26 模型
model = YOLO("yolo26n.pt")

# 在自定义数据集(例如 COCO8)上训练模型
# API 会自动处理数据加载、增强和内存管理
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 对测试图像运行推理
predictions = model("path/to/image.jpg")
predictions[0].show()

未来方向:Ultralytics YOLO26#

YOLOv7 和 YOLOX 是发展历程中的重要阶段,但该领域日新月异。Ultralytics YOLO26 于 2026 年 1 月发布,带来了多项超越前代模型的改进。

  • 端到端无 NMS 设计:YOLO26 的可选一对一检测头(nms=False)跳过 NMS 后处理。这样可以减少延迟瓶颈,并在各种硬件配置下提供可预测的执行时间。
  • CPU 推理速度最高提升 43%:移除分布焦点损失 (DFL) 并采用无 NMS 推理后,YOLO26n 在 CPU 上的运行速度最高比 YOLO11n 快 43%,适用于没有专用 GPU 硬件的边缘设备。
  • MuSGD 优化器:MuSGD 优化器受到大型语言模型训练技术的启发,是 SGD 和 Muon 的混合方案,可实现稳定训练和更快收敛。
  • 改进小目标检测:ProgLoss + STAL(渐进式损失和小目标感知标签分配)能够更好地识别小型远距离目标,这对无人机测绘和安全监控至关重要。
  • 原生任务支持:YOLO26 通过同一 API 原生支持实例分割、语义分割、深度估计、分类、姿态估计和有向边界框 (OBB)。

对于今天开始新计算机视觉项目的开发者,Ultralytics YOLO26 是兼顾速度、精度和部署简便性的推荐选择。对于从 YOLO11 或 YOLOv8 等前代模型升级的用户,通常只需更改模型字符串即可完成迁移。

评论

提出问题、分享结果,或帮助其他人。