本文系统地梳理了 Ultralytics YOLO 框架中的全部模型家族，覆盖从经典 YOLOv3 到最新 YOLO26 的架构演进脉络，以及 SAM、RT-DETR、YOLO-NAS 等异构模型的定位与适用场景。通过对五大视觉任务（目标检测、实例分割、图像分类、姿态估计、旋转目标检测）的官方性能基准数据进行横向与纵向对比，帮助开发者在精度、速度、参数量之间做出理性权衡。

Sources: init.py, models/init.py

模型家族架构总览

Ultralytics 框架以统一模型接口 Model 基类为核心，派生出七大模型入口。每个入口通过 task_map 属性将任务类型映射到专属的模型、训练器、验证器和预测器实现，实现了一套 API 驱动所有任务的工程目标。

上图展示了框架的模型路由机制：当用户通过 YOLO("model.pt") 加载模型时，YOLO.__init__ 会根据文件名自动判断是否需要将实例转换为 YOLOWorld、YOLOE 或 RTDETR 类型。这种设计使用户只需记住 YOLO 一个入口名，框架内部完成自动分发。

Sources: yolo/model.py, engine/model.py

YOLO 系列：架构演进与核心差异

代际时间线与架构特征

YOLO 系列经历了从卷积密集型到注意力融合型的架构演进。下表对比了框架中内置配置支持的各代 YOLO 架构核心差异：

架构	发布年份	核心模块	Backbone 特征	Head 类型	独有特性
YOLOv5	2020	C3, SPPF	C3 + 标准卷积	FPN-PAN Detect	Ghost 变体、P6 输出
YOLOv8	2023	C2f, SPPF	C2f 模块（跨层特征融合）	Anchor-Free Detect	开放词汇 World 变体
YOLOv9	2024	RepC3, SPPELAN	RepC3（重参数化）	Detect	可编程梯度信息 (PGI)
YOLOv10	2024	C2f, SPPF	同 YOLOv8	v10Detect（无 NMS）	端到端双标签分配
YOLO11	2024	C3k2, SPPF, C2PSA	C3k2（可分离核卷积）	Detect	C2PSA 空间注意力
YOLO12	2025	A2C2f, C3k2	A2C2f（区域注意力）	Detect	区域感知注意力机制
YOLO26	2026	C3k2, SPPF, C2PSA	C3k2 + C2PSA	Detect (end2end)	端到端推理、reg_max=1

架构演进的关键转折点在于三个方向：① 特征提取模块从 C3 → C2f → C3k2 → A2C2f 逐步引入更高效的跨通道交互；② 注意力机制从无 → C2PSA（YOLO11）→ A2C2f（YOLO12）逐步融入 backbone；③ 检测头从后处理 NMS 向端到端无 NMS 演进（YOLOv10/YOLO26）。

Sources: yolo26.yaml, yolov8.yaml, yolo11.yaml, yolo12.yaml, model_data.py

模型缩放体系：Compound Scaling

所有 YOLO 模型通过复合缩放常量 (Compound Scaling Constants) 控制模型的深度、宽度和最大通道数。以 YOLO26 为例，一个 YAML 配置文件通过 scales 字段定义五种规模变体：

尺寸	depth	width	max_channels	参数量 (M)	GFLOPs	定位
n (Nano)	0.50	0.25	1024	2.4	5.4	边缘设备 / 极致速度
s (Small)	0.50	0.50	1024	9.5	20.7	移动端 / 实时场景
m (Medium)	0.50	1.00	512	20.4	68.2	通用场景均衡点
l (Large)	1.00	1.00	512	24.8	86.4	高精度需求
x (Extra)	1.00	1.50	512	55.7	193.9	极致精度 / 服务器端

depth 控制网络层数的重复倍率，width 控制通道数的缩放比例，max_channels 限制中间特征图的最大通道数。当用户指定 model=yolo26n.yaml 时，yaml_model_load() 函数会自动从文件名提取规模字符 n，并将其注入配置字典供 parse_model() 使用。

Sources: yolo26.yaml, tasks.py

YOLO26 vs YOLO11 架构细节对比

以检测任务为例，YOLO26 相较于 YOLO11 的关键架构差异如下：

特征	YOLO11	YOLO26
端到端模式 (end2end)	False	True
DFL bins (reg_max)	16	1
P5/32 层 C3k2 额外参数	无	0.5, True（深层扩展）
Head 中 P3/P4 的 C3k2	False（无 shortcut）	True（有 shortcut）

这些看似微小的改动带来了显著的效果提升：YOLO26n 在 COCO val2017 上的 mAP50-95 达到 40.9，相比 YOLO11n 的 39.5 提升了 1.4 个百分点，而 T4 TensorRT 推理延迟仅从 1.5ms 略增至 1.7ms。

Sources: yolo26.yaml, yolo11.yaml, yolo-det-perf.md

五大任务性能基准

以下基准数据均来自 COCO val2017（检测、分割、姿态）、ImageNet（分类）和 DOTA test（OBB），推理速度在 NVIDIA T4 GPU + TensorRT 10 环境下测量。所有模型输入尺寸为 640×640（分类为 224×224，OBB 为 1024×1024）。

目标检测（Detection）

模型	mAP⁵⁰⁻⁹⁵	mAP⁵⁰⁻⁹⁵(e2e)	T4 TRT (ms)	参数量 (M)	GFLOPs
YOLO26n	40.9	40.1	1.7	2.4	5.4
YOLO26s	48.6	47.8	2.5	9.5	20.7
YOLO26m	53.1	52.5	4.7	20.4	68.2
YOLO26l	55.0	54.4	6.2	24.8	86.4
YOLO26x	57.5	56.9	11.8	55.7	193.9

代际对比速查（以 l 规模为例）：

代际	mAP⁵⁰⁻⁹⁵	T4 TRT (ms)	参数量 (M)	GFLOPs
YOLOv5l	49.0	6.61	53.2	135.0
YOLOv8l	52.9	9.06	43.7	165.2
YOLO11l	53.4	6.2	25.3	86.9
YOLO12l	53.7	6.77	26.4	88.9
YOLO26l	55.0	6.2	24.8	86.4

从 YOLOv8 到 YOLO26，同等 l 规模下参数量减少了 43%（43.7M → 24.8M），精度反而提升了 2.1 mAP，体现了架构设计的效率跃升。

Sources: yolo-det-perf.md, model_data.py

实例分割（Segmentation）

模型	mAPᵇᵒˣ⁵⁰⁻⁹⁵(e2e)	mAPᵐᵃˢᵏ⁵⁰⁻⁹⁵(e2e)	T4 TRT (ms)	参数量 (M)
YOLO26n-seg	39.6	33.9	2.1	2.7
YOLO26s-seg	47.3	40.0	3.3	10.4
YOLO26m-seg	52.5	44.1	6.7	23.6
YOLO26l-seg	54.4	45.5	8.0	28.0
YOLO26x-seg	56.5	47.0	16.4	62.8

分割模型在检测头基础上增加了一个掩码原型分支（Mask Prototype Branch），通过 Segment 或 Segment26 头部模块输出掩码系数与原型模板。参数量相比同规模检测模型约增加 10%-13%。

Sources: yolo-seg-perf.md

图像分类（Classification）

模型	Top-1 Acc (%)	Top-5 Acc (%)	T4 TRT (ms)	参数量 (M)	GFLOPs
YOLO26n-cls	71.4	90.1	1.1	2.8	0.5
YOLO26s-cls	76.0	92.9	1.3	6.7	1.6
YOLO26m-cls	78.1	94.2	2.0	11.6	4.9
YOLO26l-cls	79.0	94.6	2.8	14.1	6.2
YOLO26x-cls	79.9	95.0	3.8	29.6	13.6

分类模型使用独立的 ClassificationModel，其 backbone 与检测模型共享卷积架构但头部替换为全局平均池化 + 全连接层。值得注意的是，分类任务的 GFLOPs 远低于检测（l 规模仅 6.2 vs 86.4），因为无需多尺度特征金字塔。

Sources: yolo-cls-perf.md

姿态估计（Pose Estimation）

模型	mAPᵖᵒˢᵉ⁵⁰⁻⁹⁵(e2e)	mAPᵖᵒˢᵉ⁵⁰(e2e)	T4 TRT (ms)	参数量 (M)
YOLO26n-pose	57.2	83.3	1.8	2.9
YOLO26s-pose	63.0	86.6	2.7	10.4
YOLO26m-pose	68.8	89.6	5.0	21.5
YOLO26l-pose	70.4	90.5	6.5	25.9
YOLO26x-pose	71.6	91.6	12.2	57.6

姿态模型通过 Pose 或 Pose26 检测头同时输出边界框和关键点坐标。每个关键点包含 (x, y, confidence) 三个值，框架内置的 COCO-Pose 格式默认检测 17 个身体关键点。

Sources: yolo-pose-perf.md

旋转目标检测（OBB）

模型	mAPᵗᵉˢᵗ⁵⁰⁻⁹⁵(e2e)	mAPᵗᵉˢᵗ⁵⁰(e2e)	T4 TRT (ms)	参数量 (M)
YOLO26n-obb	52.4	78.9	2.8	2.5
YOLO26s-obb	54.8	80.9	4.9	9.8
YOLO26m-obb	55.3	81.0	10.2	21.2
YOLO26l-obb	56.2	81.6	13.0	25.6
YOLO26x-obb	56.7	81.7	30.5	57.6

OBB 模型使用 1024×1024 的输入分辨率（而非标准的 640×640），这是因为航空/遥感图像中的目标往往尺寸较小且方向任意。OBB 检测头 OBB/OBB26 输出旋转角度参数，将标准的 (x, y, w, h) 扩展为 (x, y, w, h, θ)。

Sources: yolo-obb-perf.md

异构模型定位与适用场景

除了标准 YOLO 系列，框架还集成了三类架构范式完全不同的模型，它们各自瞄准了不同的应用需求：

RT-DETR：Transformer 实时检测器

RT-DETR 基于 Vision Transformer 架构，采用 ResNet 骨干网 + AIFI（Attention-Based Intra-scale Feature Interaction）+ RTDETRDecoder 的三段式设计。与传统 YOLO 的密集预测不同，RTDETR 使用查询选择机制（IoU-aware Query Selection），在 Transformer Decoder 中通过交叉注意力生成固定数量的检测结果。

模型	mAP⁵⁰⁻⁹⁵	T4 TRT (ms)	参数量 (M)
RTDETR-L (ResNet50)	53.4	9.76	42
RTDETR-X (ResNet101)	54.3	15.03	76

适用场景：需要在 TensorRT 上获得高精度且对 NMS 延迟敏感的场景。RT-DETR 天然无需后处理 NMS，在 TensorRT 上具有更稳定的推理延迟。

Sources: rtdetr/model.py, rtdetr-resnet50.yaml, model_data.py

SAM / FastSAM：可提示分割

模型	范式	特点
SAM (SAM/SAM2/SAM3)	ViT Encoder + Mask Decoder	支持点、框、文本提示；零样本迁移；SA-1B 预训练
FastSAM	YOLO 检测 + 分割后处理	基于 YOLO 的实时方案；支持框/点提示

SAM 系列是交互式分割模型，不接受类别标签训练，而是根据用户提供的点、框等提示生成分割掩码。FastSAM 则将 SAM 的能力以 YOLO 架构实现，在保持可提示能力的同时大幅提升推理速度。

适用场景：医学图像分割、数据标注辅助、交互式图像编辑等需要精细掩码的场景。

Sources: sam/model.py, fastsam/model.py

YOLO-NAS：神经架构搜索

YOLO-NAS 由 Deci AI（已被 NVIDIA 收购）通过自动化架构搜索得到，提供 s、m、l 三个规模。与标准 YOLO 不同，NAS 模型仅支持预训练权重加载（不支持 YAML 配置），且通过 super_gradients 库实现加载。

模型	mAP⁵⁰⁻⁹⁵	T4 TRT (ms)	参数量 (M)
YOLO-NAS S	47.5	3.09	12.2
YOLO-NAS M	51.6	6.07	31.9
YOLO-NAS L	52.2	7.84	42.0

Sources: nas/model.py, model_data.py

开放词汇模型：YOLOWorld 与 YOLOE

模型	能力	提示方式	核心模块
YOLOWorld	开放词汇检测	文本描述 → 检测	C2fAttn + WorldDetect + CLIP
YOLOE	开放词汇检测 + 分割	文本/视觉提示 → 检测/分割	YOLOEDetect + LRPCHead + MobileCLIP

这两类模型突破了传统 YOLO 固定类别数的限制：用户可以动态传入任意类别文本列表（如 ["person", "car", "dog"]），模型通过 CLIP 文本编码器将其转换为语义嵌入，在推理时与视觉特征进行匹配。YOLOE 更进一步支持视觉提示（Visual Prompt），可通过参考图像指定检测目标。

适用场景：零样本检测、长尾类别识别、动态类别变更的部署场景。

Sources: yolo/model.py, tasks.py, tasks.py

模型选择决策指南

根据硬件环境的推荐

硬件环境	推荐模型规模	理由
树莓派 / Jetson Nano	n (Nano)	2.4M 参数，T4 推理仅 1.7ms
移动端 / 嵌入式	s (Small)	9.5M 参数，精度与速度的最佳平衡
桌面 GPU (RTX 3060+)	m (Medium)	20.4M 参数，mAP 53.1 的通用级精度
服务器 GPU (A100/T4)	l-x (Large-Extra)	追求最高精度，不受实时性约束
CPU-only 推理	n / s	YOLO26n CPU ONNX 约 38.9ms

Sources: yolo-det-perf.md, cfg/init.py

任务类型与默认模型映射

框架在配置层维护了任务 → 默认模型的映射关系。当用户未显式指定模型时，系统自动使用最新的 YOLO26 系列作为各任务的默认入口：

任务	默认模型	默认数据集	评估指标
detect	yolo26n.pt	coco8.yaml	metrics/mAP50-95(B)
segment	yolo26n-seg.pt	coco8-seg.yaml	metrics/mAP50-95(M)
classify	yolo26n-cls.pt	imagenet10	metrics/accuracy_top1
pose	yolo26n-pose.pt	coco8-pose.yaml	metrics/mAP50-95(P)
obb	yolo26n-obb.pt	dota8.yaml	metrics/mAP50-95(B)

框架通过 guess_model_task() 函数实现任务自动推断：首先检查 YAML 配置中的头部模块名称，然后检查 PyTorch 模型中包含的检测头类型（如 Segment → segment，Pose → pose），最后尝试从文件名中的 -seg、-cls、-pose、-obb 后缀推断。仅在无法判断时默认为 detect。

Sources: cfg/init.py, tasks.py

快速上手：加载与使用模型

from ultralytics import YOLO

# 加载最新的 YOLO26 检测模型（自动下载预训练权重）
model = YOLO("yolo26n.pt")

# 加载不同任务的变体
seg_model = YOLO("yolo26n-seg.pt")       # 实例分割
cls_model = YOLO("yolo26n-cls.pt")       # 图像分类
pose_model = YOLO("yolo26n-pose.pt")     # 姿态估计
obb_model = YOLO("yolo26n-obb.pt")       # 旋转目标检测

# 从 YAML 创建未训练的新模型
new_model = YOLO("yolo26n.yaml")

# 开放词汇模型（自动路由到 YOLOWorld）
world_model = YOLO("yolov8s-world.pt")

# YOLOE 模型（自动路由到 YOLOE）
yoloe_model = YOLO("yoloe-11s.pt")

Sources: yolo/model.py, cfg/init.py