YOLO 入门基础：发展历史、版本对比与环境搭建

Tue, 05 May 2026 00:00:00 +0000

📚 学习路径与版本选择建议

版本选择指南

版本	发布时间	开发团队	适用场景	推荐指数
YOLO26	2026.01	Ultralytics 官方	边缘部署、CPU 推理、工业落地	⭐⭐⭐⭐⭐
YOLOv8	2023.01	Ultralytics 官方	入门学习、生态完善、通用场景	⭐⭐⭐⭐⭐
YOLO11	2024.09	Ultralytics 官方	效率优化、轻量部署	⭐⭐⭐⭐
YOLOv10	2024.05	清华大学	研究探索、无 NMS 端到端	⭐⭐⭐⭐
YOLOv9	2024.01	台湾大学	高精度、小目标检测	⭐⭐⭐⭐
YOLOv12	2025.02	布法罗大学 + 中科院	注意力机制研究	⭐⭐⭐

学习路径建议

入门阶段（1-2 周）：从 YOLOv8 开始，掌握基础概念和 API 使用
进阶阶段（2-3 周）：学习自定义数据集训练、调参优化
实战阶段（2-3 周）：学习模型部署、工程化落地
研究阶段（持续）：探索 YOLO11、YOLO26、YOLOv9/v10/v12 新特性

YOLO 发展历史完整时间线

版本	发布时间	核心创新	里程碑意义
YOLOv1	2015.06	单阶段检测开山之作	实时检测奠基
YOLOv2	2016.12	Batch Normalization、Anchor	精度速度双提升
YOLOv3	2018.04	多尺度检测、残差网络	工业界标准
YOLOv4	2020.04	CSPDarknet、Mosaic	工程化巅峰
YOLOv5	2020.06	PyTorch 框架、易用性	普及度最高
YOLOv7	2022.07	E-ELAN、重参数化	速度精度平衡
YOLOv8	2023.01	C2f、Anchor-Free、统一框架	Ultralytics 统一生态
YOLOv9	2024.01	GELAN、PGI 可编程梯度	训练效率革命
YOLOv10	2024.05	无 NMS、效率-精度权衡	端到端检测
YOLO11	2024.09	架构优化、参数减少	效率优化版本
YOLOv12	2025.02	Area Attention 注意力机制	注意力架构
YOLO26	2026.01	无 DFL、无 NMS、CPU 优化 43%	边缘计算新标准

各版本核心原理与差异对比

Ultralytics 官方主线版本

YOLOv8 核心特性：

YOLO 快速实战：模型加载与推理

Fri, 08 May 2026 00:00:00 +0000

各版本模型加载与推理

Ultralytics 统一 API（v8/11/26 通用）

python


 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22


from ultralytics import YOLO

# ========== YOLOv8 ==========
model_v8 = YOLO("yolov8n.pt") # nano
model_v8 = YOLO("yolov8s.pt") # small
model_v8 = YOLO("yolov8m.pt") # medium
model_v8 = YOLO("yolov8l.pt") # large
model_v8 = YOLO("yolov8x.pt") # extra large

# ========== YOLO11 ==========
model_11 = YOLO("yolo11n.pt") # nano
model_11 = YOLO("yolo11s.pt") # small
model_11 = YOLO("yolo11m.pt") # medium
model_11 = YOLO("yolo11l.pt") # large
model_11 = YOLO("yolo11x.pt") # extra large

# ========== YOLO26 (2026最新) ==========
model_26 = YOLO("yolo26n.pt") # nano 推荐边缘部署
model_26 = YOLO("yolo26s.pt") # small
model_26 = YOLO("yolo26m.pt") # medium
model_26 = YOLO("yolo26l.pt") # large
model_26 = YOLO("yolo26x.pt") # extra large

图片检测实战

python


 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22


from ultralytics import YOLO

# 加载模型（以YOLO26为例）
model = YOLO("yolo26n.pt")

# 单张图片检测
results = model("test.jpg", conf=0.25, iou=0.45)

# 结果处理
for result in results:
 boxes = result.boxes # 检测框
 masks = result.masks # 分割掩码
 probs = result.probs # 分类概率
 
 # 打印检测结果
 for box in boxes:
 print(f"类别: {result.names[int(box.cls)]}, "
 f"置信度: {box.conf.item():.3f}, "
 f"坐标: {box.xyxy.tolist()[0]}")
 
 # 保存可视化结果
 result.save("result.jpg")

视频检测实战

python


 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17


from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# 视频文件检测
results = model.predict(
 source="input.mp4",
 save=True, # 保存结果视频
 conf=0.3,
 show=False, # 是否实时显示
 stream=True # 流式处理，节省内存
)

# 逐帧处理
for result in results:
 # 自定义后处理逻辑
 pass

摄像头实时检测

python


 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26


from ultralytics import YOLO
import cv2

model = YOLO("yolo26n.pt")

# 打开摄像头
cap = cv2.VideoCapture(0) # 0为默认摄像头

while cap.isOpened():
 ret, frame = cap.read()
 if not ret:
 break
 
 # 推理
 results = model(frame, verbose=False)
 
 # 绘制结果
 annotated_frame = results[0].plot()
 
 # 显示
 cv2.imshow("YOLO Real-time", annotated_frame)
 if cv2.waitKey(1) & 0xFF == ord('q'):
 break

cap.release()
cv2.destroyAllWindows()

各版本代码差异说明

特性	YOLOv8	YOLO11	YOLO26	YOLOv9	YOLOv10
API 统一	✅	✅	✅	❌ 独立仓库	❌ 独立仓库
无 NMS	❌	❌	✅	❌	✅
DFL 模块	✅	✅	❌ 已移除	✅	✅
MuSGD 优化器	❌	❌	✅	❌	❌
导出兼容性	良好	良好	最佳	一般	一般

Results 对象 API 详解

model() 或 model.predict() 返回的是一个 Results 对象列表。每个 Results 对象封装了单张图片的所有推理输出。理解其内部结构是进行后续处理的基础。

计算机视觉 on Mi&Bee Blog

YOLO 入门基础：发展历史、版本对比与环境搭建

📚 学习路径与版本选择建议

版本选择指南

学习路径建议

YOLO 发展历史完整时间线

各版本核心原理与差异对比

Ultralytics 官方主线版本

YOLO 快速实战：模型加载与推理

各版本模型加载与推理

Ultralytics 统一 API（v8/11/26 通用）

图片检测实战

视频检测实战

摄像头实时检测

各版本代码差异说明

Results 对象 API 详解