YOLO系列模型一直是实时目标检测的标杆。随着技术迭代，在面对不同尺寸目标检测任务时有了更多选择。本文将深度评测YOLOv8、YOLOv11和新兴的YOLO26在相同训练配置下，针对不同尺寸目标的检测表现，并展示它们在边缘计算平台上的实际部署效果。
检测性能深度评测
实验配置
中、大型目标数据集：Person
小型目标数据集：Bees
训练配置：统一使用640×640分辨率，Epochs=100，优化器为SGD
硬件环境：NVIDIA RTX 4090，PyTorch 2.1.0
评估指标：mAP@0.5:0.95，参数量，FLOPs
小目标检测表现(Base:Bees)
模型评估：
推理效果
YOLOv8n：
YOLOv11n:
YOLO26n:
中、大目标检测表现(Base:Person)
模型评估
推理效果
YOLOv8n:
YOLOv11n:
YOLO26n:
边缘端部署推理延时测试(Base:RK3588)
YOLOv8n.rknn(int8):
YOLOv8s.rknn(int8):
YOLOv11n.rknn(int8):
YOLOv11s.rknn(int8):
YOLO26n.rknn(int8):
YOLO26s.rknn(int8):
