2、模型选型原则：根据任务场景选择合适版本
YOLO 发展到今天，版本多得让人眼花缭乱。从 v3 到 v11，还有各种 nano、tiny、small 变体，新手很容易懵。
我刚开始接触时也踩过坑——选了个精度最高的模型，结果在嵌入式设备上跑不动，帧率只有 2 FPS。后来才明白，没有最好的模型，只有最合适的模型。
这一节，咱们就聊聊怎么根据实际场景选模型。
2.1 三个核心维度
选型前，先搞清楚你的需求落在哪个维度上：
| 维度 | 典型场景 | 核心指标 |
|---|---|---|
| 速度优先 | 实时视频流、安防监控、自动驾驶 | FPS ≥ 30，延迟 < 50ms |
| 精度优先 | 工业质检、医学影像、遥感分析 | mAP ≥ 0.5，漏检率 < 1% |
| 移动端/边缘端 | 手机 App、无人机、嵌入式设备 | 模型 < 10MB，推理 < 100ms |
说白了，你得先回答三个问题：跑多快？多准？在哪跑？
2.2 速度优先场景
这类场景对延迟极其敏感。比如安防摄像头要实时跟踪行人，自动驾驶要毫秒级检测障碍物。
我推荐的选择：
- YOLOv8n / YOLOv8s：轻量级，在 GPU 上轻松跑 100+ FPS
- YOLOv5s / YOLOv5m：成熟稳定，社区资源丰富
- YOLOv10n：最新架构，推理效率更高
我的经验： 之前做一个人流统计项目，客户要求 30 FPS 以上。我一开始用了 YOLOv8m，结果在 Jetson Nano 上只有 18 FPS。换成 YOLOv8n 后，直接飙到 45 FPS，精度只掉了 2 个点。客户很满意。
避坑指南：
- 别只看模型参数量，还要看实际推理时间
- 同一个模型在不同硬件上表现差异很大——一定要在目标设备上实测
- 如果追求极致速度，可以考虑 TensorRT 或 ONNX 加速
2.3 精度优先场景
这类场景对漏检和误检容忍度极低。比如工业质检，一个螺丝钉没检测到，整批货就得返工。
我推荐的选择：
- YOLOv8x / YOLOv8l：大模型，mAP 最高
- YOLOv5x：经典大模型，训练稳定
- YOLOv11x：最新版本，精度进一步提升
注意： 精度越高，模型越大，推理越慢。我曾经在医学影像项目里用了 YOLOv8x，精度确实高，但单张图片推理要 200ms。后来通过剪枝和量化，压缩到 80ms，精度只降了 0.5%。精度和速度永远在博弈。
我的建议：
- 先用大模型跑出基线精度
- 再尝试剪枝、蒸馏、量化等压缩手段
- 如果精度仍然不够，考虑多模型集成或后处理优化
2.4 移动端/边缘端场景
手机、无人机、嵌入式设备——这些地方算力有限，功耗敏感。
我推荐的选择：
- YOLOv5n / YOLOv5s：模型小，适合 ARM 架构
- YOLOv8n：官方支持 NCNN、TNN 等移动端框架
- YOLOv10n：无 NMS 设计，推理更高效
关键指标：
- 模型大小：< 10MB（最好 < 5MB）
- 推理时间：< 100ms（手机端）
- 内存占用：< 500MB
嗯，这里要注意：移动端部署不只是选模型，还要考虑框架兼容性。我踩过坑——选了个模型，结果 NCNN 不支持某些算子，折腾了两天才搞定。
2.5 版本演进速览
YOLO 版本这么多，怎么快速了解差异？我整理了一张表：
| 版本 | 特点 | 适合场景 |
|---|---|---|
| YOLOv5 | 成熟稳定，社区最大 | 通用场景，新手首选 |
| YOLOv8 | 官方维护，支持多任务 | 分类、检测、分割、姿态 |
| YOLOv10 | 无 NMS，推理更快 | 实时性要求高的场景 |
| YOLOv11 | 最新，精度最高 | 精度优先，算力充足 |
我个人习惯：新项目优先考虑 YOLOv8，因为它官方支持好，文档全，踩坑少。如果对实时性有极致要求，再考虑 YOLOv10。
2.6 选型决策流程
为了让你更直观地理解选型逻辑，我画了一张流程图：
2.7 我的选型清单
最后，分享一个我常用的选型清单。每次做项目前，我都会过一遍：
- 目标硬件是什么？ GPU、CPU、NPU、手机芯片？
- 实时性要求多高？ 30 FPS 够吗？还是需要 60 FPS？
- 精度底线是多少？ mAP 0.5 还是 0.7？
- 模型大小限制？ 10MB 还是 100MB？
- 部署框架支持？ ONNX、TensorRT、NCNN、TNN？
一句话总结：
速度不够 → 换小模型或加速框架
精度不够 → 换大模型或数据增强
移动端部署 → 优先考虑模型大小和框架兼容性
选型这件事，说白了就是在速度、精度、资源之间找平衡。没有标准答案，只有最适合你场景的方案。