yolo系列综述

“YOLO 系列”已经不是一条单线版本史而是一整个实时单阶段检测家族。它的共同点是把检测做成一次前向里的密集预测差异主要体现在 4 条主轴anchor 还是 anchor-free、耦合头还是 decoupled head、是否依赖 NMS、是否只做 closed-set 检测还是扩展到多任务 / open-vocabulary。([arXiv][1])1. YOLO 到底是什么YOLO 最早由 Redmon 等人在 2015 年提出核心思想是把目标检测从“先找候选框、再分类”的两阶段流程改成直接从整张图回归边框和类别单次前向即可输出结果。论文自己也强调了它极快但早期版本相对更容易出现定位误差。([arXiv][1])你可以把一个典型 YOLO 理解成三段backbone负责提特征neck负责多尺度融合head负责输出类别、置信度和框传统版本最后还要接NMS去重而较新的版本开始往端到端 NMS-free走。这个演化在 YOLOv3 的多尺度预测、YOLOX/YOLOv8 的 anchor-free 头、YOLOv10/YOLO26 的 NMS-free 设计里非常明显。2. 发展脉络怎么记最清楚最不容易混淆的记法是把 YOLO 家族分成 4 段第一段原始论文主线YOLOv1、YOLOv2/YOLO9000、YOLOv3 是 Redmon/Farhadi 主导的原始学术主线。v1 建立了单阶段回归范式v2/YOLO9000 明确在提高 recall 和 localization并引入了可检测 9000 类的联合训练框架v3 则把多尺度预测做成标志性设计。([arXiv][1])第二段Darknet / CSP / 工业增强主线YOLOv4 把很多“bag of freebies / specials”系统化整合进来例如 CSP、Mosaic、CIoU、SAT、Mish在当时把实时检测的精度-速度边界又往前推了一步。YOLOv7 则继续沿这条线强调“trainable bag-of-freebies”并在其论文中给出很强的速度精度结果。([arXiv][2])第三段工程与产业分支YOLOv5 是 Ultralytics 的 PyTorch 路线特点是工程生态非常成熟YOLOv6 是 Meituan 面向工业应用的版本论文就明确写了 “for industrial applications”YOLOX 虽然不是按整数版本号命名但它对后续 YOLO 的影响很大因为它把anchor-free、decoupled head、SimOTA组合成了一套非常有代表性的现代设计。([Ultralytics Docs][3])第四段现代 Ultralytics / end-to-end / open-vocabYOLOv8 把 Ultralytics 主线切到anchor-free split headYOLO11 是 2024 年的多任务强化版本YOLO26 是 2026 年初的最新 Ultralytics 版本主打边缘部署、NMS-free、去 DFL、CPU 速度提升。同时YOLO-World 和 YOLOE 则把 YOLO 扩展到了open-vocabulary。([Ultralytics Docs][4])3. 按版本看每一代到底改了什么YOLOv1本质上是“把检测当回归来做”的开山版本。优点是简单、快、端到端缺点是早期定位能力和小目标能力不够强。([arXiv][1])YOLOv2 / YOLO9000这代的关键词是更好的 recall / localization、更多类别、工程化训练策略。YOLO9000 还把分类和检测联合起来做到了 9000 类实时检测。YOLOv3这代最重要的是三尺度预测并借鉴了 FPN 式思路做特征融合。直到今天“多尺度输出”依然是大多数 YOLO 检测器的基本盘。YOLOv4这代不是单点创新而是把许多有效训练和结构技巧系统打包CSP、Mosaic、CIoU、SAT、Mish、DropBlock 等。你可以把它理解成“把 YOLO 做成真正成熟的工业级 CNN 检测器”。([arXiv][2])YOLOX严格说它不是“v5 之后的官方下一代”但在方法论上很重要。它把 YOLO 切到anchor-free同时使用decoupled head和SimOTA这套组合后来影响了很多现代 YOLO 实现。([arXiv][5])YOLOv5YOLOv5 更像是工程生态节点而不是学术里程碑PyTorch、文档全、部署格式多、上手门槛低所以它在工业和开源社区长期很流行。([Ultralytics Docs][3])YOLOv6YOLOv6 从一开始就把目标写得很明确industrial applications。它强调部署友好、量化友好和不同规模模型的工业落地效率。([arXiv][6])YOLOv7YOLOv7 的核心标签是trainable bag-of-freebies本质上是在不牺牲实时性的前提下把训练策略和结构设计再推一层。([arXiv][7])YOLOv8YOLOv8 是 Ultralytics 主线的重要拐点最值得记的不是“比 v5 准多少”而是它明确转成了anchor-free split head同时把检测、分割、姿态、OBB、分类做成统一生态。([Ultralytics Docs][4])YOLOv9YOLOv9 的关键词是PGIProgrammable Gradient Information和GELAN。它关注的是深层网络里信息丢失、梯度传递和参数利用效率问题。([arXiv][8])YOLOv10YOLOv10 的代表性变化是consistent dual assignments NMS-free end-to-end。也就是说它不再把 NMS 当作理所当然的后处理而是试图把检测做成真正端到端。([arXiv][9])YOLO11YOLO11 是 Ultralytics 在 2024 年发布的多任务主力版本支持检测、分割、姿态、OBB、分类。官方文档强调它在 backbone/neck 和训练管线上的改进并给出“YOLO11m 在 COCO 上比 YOLOv8m 更高 mAP、参数少 22%”的对比。([Ultralytics Docs][10])YOLO26截至 2026 年 4 月Ultralytics 文档把YOLO26列为最新版本发布时间写的是2026 年 1 月。它最鲜明的方向不是再堆复杂模块而是为边缘部署重构去掉 DFL、原生 NMS-free、强调小目标优化和 CPU 推理速度文档称 CPU 推理最高可快 43%。([Ultralytics Docs][11])4. 4 条技术演化主线第一条从 anchor-based 到 anchor-free。YOLOv2 / v3 仍明显带有 anchor 体系YOLOX 和 YOLOv8 则把 anchor-free 方案做成主流因为它通常更简单也更利于现代训练与部署。第二条从单尺度 / 弱多尺度到稳定多尺度。YOLOv3 的 3-scale 预测是一个关键节点此后多尺度几乎成了 YOLO 检测的标配因为它直接关系到小中大目标的兼顾能力。第三条从 NMS 依赖到 NMS-free。很长时间里 YOLO 都默认需要 NMSYOLOv10 开始把端到端 NMS-free 做成核心卖点YOLO26 则继续沿这个方向把部署链路再简化。([arXiv][9])第四条从“只做检测”到“统一多任务 开放词表”。Ultralytics 的 v8、11、26 都支持检测、分割、姿态、分类和 OBBYOLO-World、YOLOE 则进一步把文本/图像提示引入 YOLO让模型不再被固定类别表绑死。([Ultralytics Docs][4])5. YOLO-World 和 YOLOE为什么值得单独说YOLO-World是把 YOLOv8 扩展到open-vocabulary detection的代表作官方文档明确写它是基于 YOLOv8 的实时开放词表检测并采用 “prompt-then-detect” 和 offline vocabulary 的方式提高效率。([Ultralytics Docs][12])YOLOE则更进一步做成了可提示的开放词表检测与分割。Ultralytics 文档写得很清楚它建立在YOLOv10之上受YOLO-World启发支持文本、图像或内部词表提示而 YOLOE26 则把这种 open-vocab 能力和 YOLO26 的 NMS-free 边缘部署路线结合起来。([Ultralytics Docs][13])6. 2026 年选型参考固定类别检测而且想要生态稳定、文档成熟、任务全优先看YOLO11Ultralytics 自己也把YOLO11 和 YOLO26都列为稳定生产可选项。([Ultralytics Docs][11])更看重边缘端、CPU、导出兼容、低功耗设备那现在更值得优先评估的是YOLO26因为它的设计目标本来就是 edge-first无 NMS、无 DFL、导出格式广、CPU 推理更快。([Ultralytics Docs][14])开放类别 / 零样本 / 长尾识别比如“用文本提示找任意商品、任意零件、任意工具”那方向就不是普通 YOLO11/26 检测而是YOLO-World 或 YOLOE。前者更像高效 open-vocab detector后者则更进一步做到了 open-vocab detection segmentation并且继承了 YOLO 的实时性。([Ultralytics Docs][12])论文复现或学术对比那就要看你要对齐哪篇 paperYOLOv7 对应 bag-of-freebies 路线YOLOv9 对应 PGI/GELANYOLOv10 对应 end-to-end NMS-free。不要把不同仓库、不同训练 recipe、不同后端下的数字直接横比。这个不是版本号问题而是实验协议问题。([arXiv][7])7. 实用的记忆法v1提出 YOLO 范式。([arXiv][1])v2补 recall / localization做 YOLO9000。v3三尺度预测成型。v4系统化 bag-of-freebies。([arXiv][2])YOLOXanchor-free decoupled head SimOTA。([arXiv][5])v5Ultralytics 工程生态爆发点。([Ultralytics Docs][3])v6工业部署导向。([arXiv][6])v7trainable bag-of-freebies。([arXiv][7])v8Ultralytics anchor-free 统一多任务。([Ultralytics Docs][4])v9PGI GELAN。([arXiv][8])v10NMS-free end-to-end。([arXiv][9])v11更成熟的多任务生产线。([Ultralytics Docs][10])v26边缘端重构版 Ultralytics 最新主线。([Ultralytics Docs][11])YOLO-World / YOLOEopen-vocabulary 方向。([Ultralytics Docs][12])参考链接[1]: https://arxiv.org/abs/1506.02640 “[1506.02640] You Only Look Once: Unified, Real-Time Object Detection”[2]: https://arxiv.org/abs/2004.10934 “[2004.10934] YOLOv4: Optimal Speed and Accuracy of Object Detection”[3]: https://docs.ultralytics.com/yolov5/ “Comprehensive Guide to Ultralytics YOLOv5 - Ultralytics YOLO Docs”[4]: https://docs.ultralytics.com/models/yolov8/ “Explore Ultralytics YOLOv8 - Ultralytics YOLO Docs”[5]: https://arxiv.org/abs/2107.08430 “[2107.08430] YOLOX: Exceeding YOLO Series in 2021”[6]: https://arxiv.org/abs/2209.02976 “[2209.02976] YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications”[7]: https://arxiv.org/abs/2207.02696 “[2207.02696] YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors”[8]: https://arxiv.org/abs/2402.13616 “[2402.13616] YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information”[9]: https://arxiv.org/abs/2405.14458?utm_sourcechatgpt.com “YOLOv10: Real-Time End-to-End Object Detection”[10]: https://docs.ultralytics.com/models/yolo11/ “Ultralytics YOLO11 - Ultralytics YOLO Docs”[11]: https://docs.ultralytics.com/models/ “Models Supported by Ultralytics - Ultralytics YOLO Docs”[12]: https://docs.ultralytics.com/models/yolo-world/ “YOLO-World Model - Ultralytics YOLO Docs”[13]: https://docs.ultralytics.com/models/yoloe/ “YOLOE: Real-Time Seeing Anything - Ultralytics YOLO Docs”[14]: https://docs.ultralytics.com/models/yolo26/ “Ultralytics YOLO26 - Ultralytics YOLO Docs”