📚 课程目录第1章 YOLO系列全景概览

YOLO系列全景概览：从v8到v11的进化之路

做目标检测这么多年，我见过不少框架来了又走。但YOLO系列是个例外——它几乎成了工业界的标配。从v8到v11，每次迭代都不是简单的版本号更新，而是实实在在的性能跃迁。

今天咱们就来聊聊，这四代YOLO到底改了啥、为啥改、怎么选。嗯，这部分内容我建议你认真看，因为选错模型真的会让人头大。

先看一张总览图，把四代模型的核心差异理清楚。

v8 是 Ultralytics 接手后的第一个大版本。说实话，它把 YOLO 的工程化水平拉高了一大截。

核心变化：从 Anchor-Based 全面转向 Anchor-Free，检测头拆成分类和回归两个分支。这个改动看似简单，但我在实际项目中试过，小目标召回率能提升 3-5 个点。

v8 的 backbone 用了 C2f 模块，其实就是把 v5 的 C3 做了更细粒度的梯度分流。你想想看，信息流更丰富了，特征表达能力自然更强。

我个人习惯把 v8 当作基线模型。不管新项目用什么框架，先用 v8 跑一遍，拿到 baseline 再说。为什么？因为它的生态最成熟，文档最全，踩过的坑网上都有答案。

v9 解决了一个我一直很在意的问题——信息丢失。深层网络里，梯度在反向传播时会逐渐消失，浅层特征根本学不到东西。

v9 提出了 PGI（可编程梯度信息），说白了就是给浅层网络开了个「信息直通车」。配合 GELAN 这个轻量骨架，在计算量几乎不变的前提下，mAP 涨了 1-2 个点。

我的经验：如果你做的是小目标检测（比如无人机视角、遥感图像），v9 的 PGI 机制能明显改善小目标的漏检问题。我在一个工业质检项目里试过，v9 比 v8 的召回率高了 4.2%。

v10 最激进的地方，就是去掉了 NMS 后处理。你可能会问：「没有 NMS 怎么去重？」

它用了「一致匹配双分配」策略。训练时用一对多和一对一两个匹配分支，推理时只用一对一分支，天然避免了重复检测。这个思路很巧妙——把后处理的逻辑塞进了训练过程。

我记得第一次跑 v10 的推理时，看到输出结果直接就是最终检测框，那种清爽感真的很难形容。部署的时候少了一个 NMS 步骤，延迟直接降了 20-30%。

注意：v10 的 NMS-Free 设计在密集场景下偶尔会出现漏检。如果你做的是密集人群计数或细胞检测，建议还是保留 NMS 兜底。

v11 是 2024 年 9 月刚出的版本。它把「任务对齐」这个理念推到了极致。

什么意思呢？就是分类和回归两个任务不再各自为政，而是共享同一个检测头，用任务对齐损失函数联合优化。这样做的好处很明显——分类好的特征也能帮回归，回归好的特征也能帮分类。

从实测数据来看，v11 在 COCO 上的 mAP 比 v8 高了 2.3 个点，但推理速度反而快了 15%。这得益于它的轻量共享头设计。

模型	参数量	FLOPs	mAP@50:95	推理延迟	NMS 依赖
YOLOv8n	3.2M	8.7G	37.3	2.1ms	是
YOLOv9t	2.0M	7.7G	38.3	2.5ms	是
YOLOv10n	2.3M	6.7G	38.5	1.8ms	否
YOLOv11n	2.6M	6.3G	39.5	1.5ms	是

数据来自各版本官方报告，统一在 COCO val2017 上测试，T4 GPU 推理。

选模型这事儿，没有银弹。我一般按这几种场景来推荐：

选型口诀：精度选 v11，速度选 v10，小目标选 v9，保底选 v8。

我曾经在一个智慧交通项目里踩过坑——选了 v10 做车辆检测，结果在早晚高峰密集场景下，NMS-Free 的漏检率飙到了 8%。后来换成 v11 加 NMS 兜底，漏检率降到 2% 以下。

还有一次，我在一个低算力设备上强行上了 v11x，结果帧率只有 8 FPS。后来换成 v11n，帧率直接拉到 45 FPS，精度只掉了 1.2 个点。

所以我的建议是：先明确你的硬件边界，再反推模型选型。别一上来就追求最高精度，部署不上等于白做。

从 v8 到 v11，YOLO 的进化脉络很清晰：