YOLO系列版本演进

📌 关键要点

YOLO 不是单一项目，而是"同思想、不同作者接力"的家族：从 Redmon 的 Darknet 三连，到 Ultralytics 的 PyTorch 工业化，再到学术线的花式创新，每代都在速度与精度上博弈：

• 三条主线：Darknet 学术线（v1–v4）→ Ultralytics 工业线（v5/v8/v11/YOLO26）→ 学术创新线（v6/v7/v9/v10/v12/v13）
• 生产首选：YOLOv11 是当前稳定款，YOLO26 为 2026-01 最新旗舰（端到端无 NMS、边缘优化）
• 警惕同名：v6/v7 与 v12/v13 均为第三方/学术实现，别与 Ultralytics 官方线混淆

一、总览：版本家族全景

二、逐版本分析

v1–v3：思想奠基者

由 Joseph Redmon（华盛顿大学）用 Darknet 框架实现，定义了"只看一次"的核心思想——把检测当作回归问题，单次前向输出全部边界框与类别。

1. v1（2015/2016）
   开山之作，首个实时统一检测器，一扫两阶段检测（如 Faster R-CNN）的慢速。
   
2. v2（YOLO9000，2016/2017）
   引入 BatchNorm、anchor 先验、多尺度训练，可检测 9000 类。
   
3. v3（2018）
   里程碑：多尺度特征金字塔（FPN）+ 多 anchor，小目标能力大幅提升，成为后续所有版本的骨架。

Redmon 于 2020 年宣布退出计算机视觉研究，v3 之后 Darknet 线改由他人接手。

v4：Darknet 线收官之作

Alexey Bochkovskiy 于 2020 年发布，集成当时主流 trick 的集大成者：

• 骨干 CSPDarknet53、颈部 PANet（路径聚合）、头部 YOLOv3 改进
• Mosaic 数据增强、自对抗训练、CIoU 损失
• 无官方论文中的"创新"，但工程平衡极佳，一度是工业落地首选

v5：Ultralytics 接手，PyTorch 重写

Ultralytics（Glenn Jocher 团队）2020 年用 PyTorch 重写 YOLO，未发表论文，但凭极佳的工程化与社区生态成为最流行的 YOLO：

• 单文件权重、极简 API、AutoAnchor/自动超参搜索
• 深度/宽度缩放出 n/s/m/l/x 多档模型
• 成为后续 v8/v11/YOLO26 的工程底座

v6：美团工业版

美团 2022 年发布，主打工业落地：

• 面向部署的量化、感知蒸馏、RepVGG 重参数化
• 与 Ultralytics 无关，API/权重体系不通用

v7：学术扩展线

YOLOv7（WongKinYiu 等）2022 年发布：

• E-ELAN 高效聚合网络，训练速度优于当时 SOTA
• 团队同时维护 YOLOv7-pose / -seg / -OBB 等扩展任务
• 与 v6 同年，属学术第三方，非官方线

v8：Ultralytics 转向 anchor-free 多任务

Ultralytics 2023 年发布，架构全面重构：

• anchor-free（解耦头），去掉锚框设计，简化调参
• 统一多任务：检测 / 实例分割 / 图像分类 / 姿态估计
• 当前生态最完整、教程最多的版本，适合入门

v9：PGI / GELAN 学术创新

Wang 等 2024 年（ICLR 2024 接收）发布：

• PGI（可编程梯度信息）：解决深层网络信息瓶颈
• GELAN：轻量高效架构，参数量更省、精度更高
• 学术创新强，但生态不及 Ultralytics

v10：清华 NMS-free

清华大学 2024 年发布：

• 实时端到端检测，无需 NMS，推理管线更简单
• 用双标签分配 + 一致匹配度量解决 NMS-free 的精度损失
• 学术实验型，适合研究参考

v11：当前生产稳定款

Ultralytics 2024-09 发布，官方推荐的生产主力：

• C3k2 模块 + C2PSA，在 v8 基础上精度/速度全面小幅提升
• 继续 anchor-free、多任务统一框架
• 选型建议：新项目默认考虑 v11（或直接看 YOLO26）

v12 / v13：学术线（非官方）

v12/v13 为学术研究者发布，非 Ultralytics 官方发行，别在 pip install ultralytics 中找：

• v12：基于注意力机制改进
• v13：引入超图建模思路
• 仅学术研究参考，不建议生产依赖

YOLO26：Ultralytics 最新旗舰（2026-01）

2026 年 1 月 14 日正式发布，定位"统一实时视觉模型"，专为从边缘到云端的部署优化：

1. 原生端到端
   默认一对一检测头，无需 NMS 直接出结果；也保留一对多头（end2end=False）供高精度场景。
   
2. 无 DFL 框回归
   移除分布焦点损失，简化检测头与导出流程。
   
3. 训练方案更新
   MuSGD 优化器（SGD + Muon）、Progressive Loss、STAL 小目标感知标签分配。
   
4. 多任务全面升级
   分割（AP 最高 +3.7）、姿态（+7.2）、OBB（+3.4 mAP）。

性能亮点（COCO，640 输入）：

注：YOLO26n 在 CPU 上 ONNX 推理比 YOLO11n 快最高 43%，是边缘部署的有力候选。

三、三条主线图

Darknet 线（奠基 → 巅峰）：v1 → v2 → v3 → v4

Ultralytics 线（工业化 → 生产主力）：v5 → v8 → v11 → YOLO26

学术/第三方线（创新试验田）：v6（美团）、v7、v9、v10、v12、v13

💡 理解主线后，选择就很简单：生产用 Ultralytics 线，研究看学术线，历史脉络查 Darknet 线。

四、选型建议

1. 入门学习：选 v8，生态最全、教程最多，换 v11/YOLO26 成本也低
2. 生产稳定：默认 v11，社区验证充分、坑最少
3. 边缘/极致速度：试 YOLO26n，端到端无 NMS + CPU 提速明显
4. 只看学术：v9（PGI/GELAN）/ v10（NMS-free） 值得精读
5. 避免踩坑：v6/v7/v12/v13 与官方线不互通，确认来源再引入

五、模型权重直链下载

以下为各 YOLO 生态官方发布页的权重直链，可直接在浏览器下载（浏览器自带断点续传，命令行下载易截断）。 若用于本地 yolo-benchmark 基准测试系统，请将权重保存到 models/ 目录并在 models.yaml 中注册。

5.1 YOLOX（旷视 Megvii，2021）

YOLOX 属学术/第三方线（anchor-free），官方权重为 .pth 格式。官方 release 页： https://github.com/Megvii-BaseDetection/YOLOX/releases/tag/0.1.1rc0

注意：官方 release 仅提供 .pth，无现成 .onnx；如需 ONNX 需用 tools/export_onnx.py 自行导出。

5.2 Ultralytics 系（v5/v8/v11/YOLO26）

Ultralytics 权重统一托管在官方 assets 仓库（含 n/s/m/l/x 各档）： https://github.com/ultralytics/assets/releases

m/l/x 档将文件名中的 n / s 替换为对应字母即可（如 yolov8m.pt、yolo11x.pt）。

六、YOLOX 集成踩坑记录（基准测试系统维护）

以下坑来自本地 yolo-benchmark 接入 YOLOX（官方 .pth 权重 + yolox pip 包）的真实踩坑经历，已全部修复。 症状共性：满屏 1000+ 个低分框、最高置信度仅 0.3~0.5，看起来像"模型废了"，实际全是预处理/后处理与官方约定不一致。

坑 1：预处理差异——YOLOX 不做归一化

结论：YOLOX 官方 ValTransform(legacy=False) 直接把 letterbox 后的 BGR 0-255 原始像素喂给模型，不做 /255，更不做 mean/std 归一化。

• 若错误套用 /255 + mean/std（如 ImageNet [0.485,0.456,0.406]），模型输入分布完全错乱，输出崩溃，obj 全部 ≈0.5（sigmoid(logit≈0)），出现 2000+ 低分框。
• 原因：YOLOX 训练时 TrainTransform 就直接喂 0-255 像素，网络第一层卷积就是按 0-255 尺度学的；不像 ultralytics 在训练前做归一化。
• 通道顺序：官方 Predictor 输入为 cv2.imread 的 BGR，ValTransform 不反转通道，保持 BGR。RGB 反转同样会显著掉点。

坑 2：双重 sigmoid——模型输出已是概率

结论：YOLOX 模型 eval 分支输出的 obj/cls 已经是 sigmoid 后的 0~1 概率，后处理不能再做一次 sigmoid。

• 官方 yolo_head.py eval 分支： python output = torch.cat([reg_output, obj_output.sigmoid(), cls_output.sigmoid()], 1)
• 若后处理再套 1/(1+exp(-x))，二次 sigmoid 会把所有分数压向 0.5~0.73：真实 0.9 → 0.71，真实 0.1 → 0.52。原本该被 0.25 阈值过滤掉的低分全被抬上来 → 检测数上千、最高置信度仅 ~0.52。
• 判断技巧：若所有检测框置信度都挤在 0.5~0.73 且数量巨大，优先怀疑双重 sigmoid。

坑 3：torch.meshgrid 兼容（torch ≥ 1.13）

• YOLOX 0.1.1rc0 的 decode_outputs 调用 torch.meshgrid 未传 indexing 参数，在 torch 1.13+ 直接报错（需显式指定）。
• 解决：加载时一次性 monkey-patch，默认补上 indexing='ij'（见 yolox_engine.py::_patch_torch_meshgrid）。

修复后的正常参考值（本机 CPU，img_1）

YOLOX-s | yolox 后端 | 加载 ~400ms | 推理 avg 180ms | 检测 1 框 | 最高置信度 0.8952

同档位实测对比（本机 CPU，img_1，YOLOX 修复后）

同一台机器、同一张测试图、统一基准脚本跑出的横向对比（s 档齐全后同档位对比才公平）：

结论要点：

1. 同档位下 Ultralytics 系明显更优：YOLO11-s / YOLOv8-s 参数量与 YOLOX-s 接近（9.4M / 11.1M vs 9.0M），但推理快约 40%（~108ms vs 149ms），置信度也高约 0.05（0.94+ vs 0.8952）。YOLOX 是 2021 年的架构（CSPDarknet + anchor-free），对 CPU 推理的友好度不及 Ultralytics 后续优化，差距符合预期。
2. n 档 / s 档权衡：n 档（~3M）FPS 翻倍（20 vs 9），置信度 0.86~0.94 有回落；s 档（~10M）稳定在 0.94+，可作为"按算力选档位"的参考。
3. YOLOX-s 置信度偏低是模型本身精度，不是集成问题——修复后行为正常，稳定检出 1 框 0.8952。

七、相关资料

📖 资料来源：

• Ultralytics YOLO26 官方文档
• Ultralytics YOLO26 论文 (arXiv)
• Ultralytics GitHub
• YOLOv1 论文：You Only Look Once (arXiv)
• YOLOv3 论文：An Incremental Improvement (arXiv)
• YOLOv4 论文 (arXiv)

📝 创建时间：2026-08-18