开始使用

YOLOX 与 YOLOv8

过去几年,计算机视觉领域的实时目标检测技术发展迅速。随着研究人员和工程师不断提升精度与速度,要从众多可用模型中做出选择可能并不容易。本指南将从技术角度比较两种有影响力的架构:YOLOX 和 Ultralytics YOLOv8。

通过分析架构、训练方法和部署能力,开发者可以在为 AI 项目选择合适框架时做出明智决策。

YOLOX:连接研究与产业#

YOLOX 是一款重要模型,帮助弥合了学术研究与工业应用之间的差距。它重新采用无锚框设计,大幅减少了相比早期基于锚框的检测器所需的设计参数和启发式调参。

模型详情:

架构亮点#

YOLOX 集成了多项关键改进,使其区别于前代模型。其中最突出的是解耦头,它将分类和边界框回归任务拆分为不同的路径。这种架构选择减少了回归所需的空间对齐与分类所需的平移不变性之间的冲突,从而加快训练收敛。

此外,YOLOX 采用 SimOTA 标签分配策略。这种动态分配方法将真实目标与预测结果之间的匹配建模为最优传输问题,从而有效缩短训练时间并提升平均精度均值 (mAP)。该模型还采用了 MixUp 和 Mosaic 等强力数据增强技术,不过值得注意的是,为了稳定已学习到的特征,这些增强会在最后几个训练轮次中关闭。

详细了解 YOLOX

YOLOv8:多功能生态系统标准#

经过多年的持续研究,Ultralytics YOLOv8为 Ultralytics 模型带来了重大进步。它从设计之初就不仅仅是一款目标检测器,而是一个功能全面的多任务框架,能够通过易用的 API 处理各种视觉识别挑战。

模型详情:

架构改进#

YOLOv8 采用精简的架构,以效率更高的 C2f 模块取代 C3 模块,在不过度增加参数量的前提下改善梯度流和特征提取。与 YOLOX 一样,YOLOv8 使用无锚框设计和解耦头;不过,它通过引入分布焦点损失 (DFL) 和 CIoU 损失优化损失计算,从而让边界框预测更加精准,尤其适用于小目标或重叠目标。

Ultralytics 生态系统

YOLOv8 的一大优势是与 Ultralytics 生态系统深度集成。无论你使用统一的 Python API,还是使用 Ultralytics Platform 的可视化界面,从训练到部署的流程都很简单,并且原生支持从 ONNX 到 TensorRT 等格式。

除标准的目标检测外,YOLOv8 还原生支持实例分割、图像分类、姿态估计和有向边界框 (OBB)。这种多任务灵活性让 YOLOv8 成为复杂生产环境的理想选择,尤其适用于需要维护多种模型的场景。

性能与指标对比#

比较这些模型时,开发者必须权衡精度、推理延迟和计算开销。下表展示了这两个模型系列的基准测试结果。

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

在参数量相近时,YOLOv8 的 mAP始终高于 YOLOX,同时保持出色的 GPU 速度。此外,Ultralytics 模型以训练时内存需求较低而著称。在消费级硬件上扩大批次时,这是一项关键优势;与消耗更多 CUDA 内存的 RT-DETR 等高资源需求 Transformer 架构相比尤其如此。

开发和部署体验#

使用旧版研究代码库时,通常需要配置复杂的环境,并编写自定义样板代码来运行推理。相比之下,Ultralytics API 只需几行 Python 代码就能完成这些工作。

from ultralytics import YOLO

# 初始化 YOLOv8 small 模型
model = YOLO("yolov8s.pt")

# 在自定义数据集上训练模型
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# # 验证模型的准确性
metrics = model.val()

# 在测试图像上执行推理
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

这种统一接口是维护完善的 Ultralytics 生态系统的一大特色,可帮助开发者减少调试环境问题的时间,把更多精力用于迭代自己的计算机视觉解决方案。

用例与建议#

选择 YOLOX 还是 YOLOv8,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 YOLOv8#

以下情况推荐使用 YOLOv8:

  • 多任务通用部署: 项目需要在 Ultralytics 生态系统中使用经过验证的模型,完成检测、分割、分类和姿态估计。
  • 成熟的生产系统: 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区与生态系统支持: 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

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 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
  • 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。

展望未来:YOLO26 架构#

YOLOv8 在精度和易用性之间取得了良好平衡,但 AI 仍在快速发展。YOLO26 于 2026 年 1 月发布,是面向现代边缘和云端部署的推荐模型,并在前几代模型的基础上进一步发展。

YOLO26 引入了端到端无 NMS 设计:其可选的一对一检测头(nms=False)跳过启发式 NMS 后处理步骤,可在各种部署目标上提供稳定、可预测的延迟。移除分布焦点损失 (DFL) 模块后,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,因此 YOLO26 是嵌入式系统和移动应用的理想选择。

YOLO26 还通过 MuSGD 优化器提升训练稳定性。该优化器融合了 SGD 和 Muon,可加速收敛。借助 ProgLoss + STAL(渐进式损失和小目标感知标签分配),YOLO26 提升了小目标检测能力,这对无人机测绘和安防报警系统至关重要。

结论与建议#

YOLOX 是向无锚框方法过渡的重要一步,但缺少集成式多任务生态系统,限制了它在快节奏生产环境中的应用。

对于优先考虑顺畅体验、多任务支持和强大社区支持的开发者而言,YOLOv8 仍然是可靠的选择。不过,对于希望最大限度提升边缘计算性能、消除 NMS 瓶颈,并借助最新训练创新实现最高精度的开发者,YOLO26 是所有新计算机视觉项目的推荐模型。

如果你想了解 Ultralytics 系列中的其他模型,也可以查看 YOLO11 的性能特点,或了解 YOLOv10 引入的无 NMS 方法。

评论1

提出问题、分享结果,或帮助其他人。

  1. zaraquinnatGitHub(已编辑)

    Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.