YOLO26n还是YOLO26xUltralytics模型选型与性能基准完全指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics选 YOLO26 模型时最大的困惑往往是到底该用 YOLO26n 还是 YOLO26x本文基于 Ultralytics YOLO26 官方基准数据用一张表讲清 5 个尺寸n/s/m/l/x在目标检测、实例分割、姿态估计等任务上的精度、速度与参数量帮你 5 分钟内做出正确的模型选型决策。无论你是跑在 CPU 上的边缘设备还是云端 GPU 服务器都能找到属于自己的甜点模型。 YOLO26 的 5 个尺寸n / s / m / l / x 是什么YOLO26 是 Ultralytics 推出的端到端实时视觉模型家族支持目标检测、实例分割、语义分割、分类、姿态估计和旋转框检测OBB七大任务每个任务都提供 5 个尺寸档位后缀定位典型场景n(nano)最小最快手机、嵌入式、CPU 推理s(small)轻量均衡轻量 GPU、实时应用m(medium)中档主力服务器推理、精度速度平衡l(large)高精度大尺寸输入、复杂场景x(extra)精度天花板离线批处理、最高精度需求每个尺寸的完整架构定义都在 ultralytics/cfg/models/26/ 目录下的 YAML 文件中例如 yolo26.yaml、yolo26-seg.yaml、yolo26-pose.yaml。⚡ 核心基准YOLO26 目标检测实测数据下面这组数据来自官方性能基准文件 docs/macros/yolo-det-perf.md是本文选型的核心依据640 输入COCO 数据集模型参数量COCO mAP端到端 mAPCPU ONNX 速度T4 TensorRT 速度YOLO26n2.4M40.940.138.9 ms1.7 msYOLO26s9.5M48.647.887.2 ms2.5 msYOLO26m20.4M53.152.5220.0 ms4.7 msYOLO26l24.8M55.054.4286.2 ms6.2 msYOLO26x55.7M57.556.9525.8 ms11.8 ms三个关键结论n→s 的性价比最高仅增加 7.1M 参数精度大涨7.7 mAPT4 上依然保持 2.5 ms 的实时速度m 是甜点精度过半53.1 mAP速度仍可接受是多数服务器场景的平衡之选l→x 的边际收益递减参数量翻了 2.2 倍24.8M→55.7MmAP 只多了 2.5速度却慢了近一倍——只有精度优先才值得上 x。YOLO26 的官方示例输入 zidane.jpg包含多名行人可用于验证任何尺寸的检测效果 其他任务基准分割 / 姿态 / 分类 / OBB同一套 n/s/m/l/x 逻辑也适用于其他任务关键数据节选如下实例分割COCO来自 docs/macros/yolo-seg-perf.md模型框 mAP掩码 mAPT4 TensorRTYOLO26n-seg39.633.92.1 msYOLO26m-seg52.544.16.7 msYOLO26x-seg56.547.016.4 ms姿态估计COCO来自 docs/macros/yolo-pose-perf.mdYOLO26n-pose 57.2 mAP1.8 ms→ YOLO26x-pose71.6 mAP12.2 ms。图像分类ImageNet来自 docs/macros/yolo-cls-perf.mdYOLO26n-cls Top-1 71.4% → YOLO26x-cls79.9%且 n 版在 CPU 上仅需 5 ms。旋转框检测 OBBDOTAv1来自 docs/macros/yolo-obb-perf.mdn 到 x 的 mAP 仅从 52.4 涨到 56.7说明小目标任务1024 输入对尺寸不敏感选 n/s 通常就够了。️ 如何按硬件选型一张表说透你的硬件推荐型号理由手机 / 边缘盒子 / 纯 CPUYOLO26nCPU 上 38.9 ms且官方实测 CPU ONNX 推理比上一代同档模型快 43%轻量 GPU、要求 30 FPSYOLO26s2.5 ms 延迟48.6 mAP多数实时场景够用服务器 GPU 通用推理YOLO26m精度速度的平衡点导出部署依然流畅高精度、低实时要求YOLO26l55.0 mAP速度仍低于 7 ms精度天花板 / 离线批处理YOLO26x57.5 mAP 全家族最高代价是 525.8 ms 的 CPU 推理官方示例图 bus.jpg一张图中包含公交车、行人等多个类别适合测试 YOLO26 的多类别检测能力 上手与微调路径快速推理安装ultralytics包后YOLO(yolo26n.pt)一行代码即可加载预训练权重官方入门示例见 docs/en/models/yolo26.md从零训练 / 自定义尺寸用YOLO(yolo26s.yaml)等 YAML 配置实例化训练逻辑集中在 ultralytics/engine/model.py小目标 / 大输入进阶官方还内置了 yolo26-p2.yaml增加 P2 小目标头和 yolo26-p6.yaml增加 P6 大输入头仅以 YAML 架构提供需自行训练训练超参配方YOLO26 采用 MuSGD 优化器 Progressive Loss STAL 小目标标签分配完整细节见 docs/en/guides/yolo26-training-recipe.md。❓ 常见问题速答QYOLO26n 和 YOLO26x 精度差多少值得多等 13 倍速度吗检测任务上 40.9 → 57.5 mAP提升明显但不是线性n→s 就拿到了 7.7 分中的大部分。如果你的业务在 YOLO26n 上漏检可接受就没必要上 x。Q为什么表格里有端到端 mAP两列YOLO26 默认采用免 NMS 的端到端推理one-to-one 头输出直接是结果部署更简单另一头one-to-many精度略高但需要 NMS 后处理可按需切换。Q想试开源词汇检测怎么办YOLO26 家族还有 YOLOE-26 变体支持文本/视觉提示的开放词汇检测配置见 ultralytics/cfg/models/26/yoloe-26.yaml文档见 docs/en/models/yoloe.md。✅ 一句话总结边缘选 n实时选 s均衡选 m精度优先再考虑 l/x。先跑 YOLO26n 验证业务再按需升档——这是最省钱也最稳的选型路径。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
YOLO26n还是YOLO26xUltralytics模型选型与性能基准完全指南【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics选 YOLO26 模型时最大的困惑往往是到底该用 YOLO26n 还是 YOLO26x本文基于 Ultralytics YOLO26 官方基准数据用一张表讲清 5 个尺寸n/s/m/l/x在目标检测、实例分割、姿态估计等任务上的精度、速度与参数量帮你 5 分钟内做出正确的模型选型决策。无论你是跑在 CPU 上的边缘设备还是云端 GPU 服务器都能找到属于自己的甜点模型。 YOLO26 的 5 个尺寸n / s / m / l / x 是什么YOLO26 是 Ultralytics 推出的端到端实时视觉模型家族支持目标检测、实例分割、语义分割、分类、姿态估计和旋转框检测OBB七大任务每个任务都提供 5 个尺寸档位后缀定位典型场景n(nano)最小最快手机、嵌入式、CPU 推理s(small)轻量均衡轻量 GPU、实时应用m(medium)中档主力服务器推理、精度速度平衡l(large)高精度大尺寸输入、复杂场景x(extra)精度天花板离线批处理、最高精度需求每个尺寸的完整架构定义都在 ultralytics/cfg/models/26/ 目录下的 YAML 文件中例如 yolo26.yaml、yolo26-seg.yaml、yolo26-pose.yaml。⚡ 核心基准YOLO26 目标检测实测数据下面这组数据来自官方性能基准文件 docs/macros/yolo-det-perf.md是本文选型的核心依据640 输入COCO 数据集模型参数量COCO mAP端到端 mAPCPU ONNX 速度T4 TensorRT 速度YOLO26n2.4M40.940.138.9 ms1.7 msYOLO26s9.5M48.647.887.2 ms2.5 msYOLO26m20.4M53.152.5220.0 ms4.7 msYOLO26l24.8M55.054.4286.2 ms6.2 msYOLO26x55.7M57.556.9525.8 ms11.8 ms三个关键结论n→s 的性价比最高仅增加 7.1M 参数精度大涨7.7 mAPT4 上依然保持 2.5 ms 的实时速度m 是甜点精度过半53.1 mAP速度仍可接受是多数服务器场景的平衡之选l→x 的边际收益递减参数量翻了 2.2 倍24.8M→55.7MmAP 只多了 2.5速度却慢了近一倍——只有精度优先才值得上 x。YOLO26 的官方示例输入 zidane.jpg包含多名行人可用于验证任何尺寸的检测效果 其他任务基准分割 / 姿态 / 分类 / OBB同一套 n/s/m/l/x 逻辑也适用于其他任务关键数据节选如下实例分割COCO来自 docs/macros/yolo-seg-perf.md模型框 mAP掩码 mAPT4 TensorRTYOLO26n-seg39.633.92.1 msYOLO26m-seg52.544.16.7 msYOLO26x-seg56.547.016.4 ms姿态估计COCO来自 docs/macros/yolo-pose-perf.mdYOLO26n-pose 57.2 mAP1.8 ms→ YOLO26x-pose71.6 mAP12.2 ms。图像分类ImageNet来自 docs/macros/yolo-cls-perf.mdYOLO26n-cls Top-1 71.4% → YOLO26x-cls79.9%且 n 版在 CPU 上仅需 5 ms。旋转框检测 OBBDOTAv1来自 docs/macros/yolo-obb-perf.mdn 到 x 的 mAP 仅从 52.4 涨到 56.7说明小目标任务1024 输入对尺寸不敏感选 n/s 通常就够了。️ 如何按硬件选型一张表说透你的硬件推荐型号理由手机 / 边缘盒子 / 纯 CPUYOLO26nCPU 上 38.9 ms且官方实测 CPU ONNX 推理比上一代同档模型快 43%轻量 GPU、要求 30 FPSYOLO26s2.5 ms 延迟48.6 mAP多数实时场景够用服务器 GPU 通用推理YOLO26m精度速度的平衡点导出部署依然流畅高精度、低实时要求YOLO26l55.0 mAP速度仍低于 7 ms精度天花板 / 离线批处理YOLO26x57.5 mAP 全家族最高代价是 525.8 ms 的 CPU 推理官方示例图 bus.jpg一张图中包含公交车、行人等多个类别适合测试 YOLO26 的多类别检测能力 上手与微调路径快速推理安装ultralytics包后YOLO(yolo26n.pt)一行代码即可加载预训练权重官方入门示例见 docs/en/models/yolo26.md从零训练 / 自定义尺寸用YOLO(yolo26s.yaml)等 YAML 配置实例化训练逻辑集中在 ultralytics/engine/model.py小目标 / 大输入进阶官方还内置了 yolo26-p2.yaml增加 P2 小目标头和 yolo26-p6.yaml增加 P6 大输入头仅以 YAML 架构提供需自行训练训练超参配方YOLO26 采用 MuSGD 优化器 Progressive Loss STAL 小目标标签分配完整细节见 docs/en/guides/yolo26-training-recipe.md。❓ 常见问题速答QYOLO26n 和 YOLO26x 精度差多少值得多等 13 倍速度吗检测任务上 40.9 → 57.5 mAP提升明显但不是线性n→s 就拿到了 7.7 分中的大部分。如果你的业务在 YOLO26n 上漏检可接受就没必要上 x。Q为什么表格里有端到端 mAP两列YOLO26 默认采用免 NMS 的端到端推理one-to-one 头输出直接是结果部署更简单另一头one-to-many精度略高但需要 NMS 后处理可按需切换。Q想试开源词汇检测怎么办YOLO26 家族还有 YOLOE-26 变体支持文本/视觉提示的开放词汇检测配置见 ultralytics/cfg/models/26/yoloe-26.yaml文档见 docs/en/models/yoloe.md。✅ 一句话总结边缘选 n实时选 s均衡选 m精度优先再考虑 l/x。先跑 YOLO26n 验证业务再按需升档——这是最省钱也最稳的选型路径。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
