选择 Ultralytics YOLO 模型尺寸
比较 YOLO26 的 n、s、m、l 和 x 尺寸，在目标硬件上对它们进行基准测试，并选择满足延迟预算的最小尺寸。
选得太大，30 FPS 的相机应用可能只能达到 12 FPS；选得太小，如果 GPU 能免费运行更大的模型，你就会白白损失精度。由于训练时使用的尺寸就是最终部署的尺寸，这项选择必须在漫长的训练开始前做出。
YOLO26 针对全部七种任务提供五种尺寸——n、s、m、l 和 x：检测、分割、语义分割、分类、姿态、OBB 和深度。在本课中，你将把帧率换算成毫秒预算，用基准测试模式在自己的机器上测量两种尺寸，然后做出选择。
实践操作
了解各尺寸型号#
以下是 YOLO26 文档中官方 COCO 检测指标，图像尺寸均为 640 像素：
| 模型 | 参数量（M） | FLOPs（B） | mAP50-95 | CPU ONNX（毫秒） | T4 TensorRT10（毫秒） |
|---|---|---|---|---|---|
yolo26n | 2.4 | 5.5 | 40.9 | 38.9 | 1.7 |
yolo26s | 9.5 | 20.9 | 48.6 | 87.2 | 2.5 |
yolo26m | 20.4 | 68.4 | 53.1 | 220.0 | 4.7 |
yolo26l | 24.8 | 86.8 | 55.0 | 286.2 | 6.2 |
yolo26x | 55.7 | 194.4 | 57.5 | 525.8 | 11.8 |
每种任务都有对应的所有尺寸——替换后缀即可，例如 yolo26s-seg.pt、yolo26s-sem.pt、yolo26s-depth.pt、yolo26s-cls.pt、yolo26s-pose.pt 或 yolo26s-obb.pt。要迁移较早的项目？YOLO11 与 YOLO26 对比会说明有哪些变化。
可以这样理解表格：“升级到下一个尺寸要付出什么代价？”
| 升级 | mAP 增益 | 额外 FLOPs | CPU 延迟倍数 |
|---|---|---|---|
| n → s | +7.7 | ×3.8 | ×2.2 |
| s → m | +4.5 | ×3.3 | ×2.5 |
| m → l | +1.9 | ×1.3 | ×1.3 |
| l → x | +2.5 | ×2.2 | ×1.8 |
第一步的性价比最高；超过 m 后，COCO 精度每提升一个点，代价都会变高。而 COCO 包含 80 个不同类别，比大多数实际项目更难：对于狭窄任务，例如只检测传送带上的一种产品，n 和 s 的结果通常与 m 相差不到一个点。
从预算开始#
你的推理延迟预算为 1000 毫秒 ÷ 目标 FPS，而且解码、绘制和你自己的逻辑也要占用这部分预算。典型的起步选择如下：
| 目标 | 建议从以下尺寸开始 |
|---|---|
| 手机、Raspberry Pi、浏览器或其他小型边缘 AI设备 | n |
| 笔记本电脑或台式机 CPU，10–30 FPS | 先用 n；如果有余量，再用 s |
| 单个 GPU，实时视频 | s 或 m |
| 离线批处理，准确率优先 | l 或 x |
示例：测量两种尺寸#
基准测试模式会导出模型，在 coco8 上验证模型，并在你的机器上测量推理耗时。format=onnx 会将运行限制为一种格式，因此几秒钟就能完成；省略它即可比较所有导出格式。
yolo benchmark model=yolo26n.pt imgsz=640 format=onnx
yolo benchmark model=yolo26s.pt imgsz=640 format=onnxApple M5 Pro 笔记本 CPU 上的实际结果：
| Format Status❔ Size (MB) metrics/mAP50-95(B) Inference time (ms/im) FPS |
| 1 ONNX ✅ 9.5 0.6693 13.87 72.08 | <- yolo26n
| 1 ONNX ✅ 36.5 0.6654 30.87 32.39 | <- yolo26s对照 30 FPS（33 ms）的预算来看：
yolo26n，13.87 ms：符合要求，还剩 19 ms 可用于解码和绘制。yolo26s，30.87 ms：勉强符合要求，但没有余量做其他事情。同一项基准测试在机器上运行其他任务时耗时 60 ms。Size (MB)：ONNX 文件大小，这关系到应用下载和移动设备内存。metrics/mAP50-95(B)：这里先忽略它。coco8只有四张验证图像：足以证明导出可用，但远不足以评估准确率排名。
决策：先训练 yolo26n，并将 yolo26s 保持在较低的 imgsz，作为备用方案。
避免这些错误#
症状：模型在你的笔记本电脑上能以 70 FPS 运行，在边缘设备上却只有 8 FPS。解决方法：在实际运行模型的设备上进行基准测试，并模拟真实负载——包括其他进程、摄像头解码以及实际使用的运行时格式。
症状：你的笔记里写着“s 比 n 快”。原因：其中一次运行使用了 imgsz=480 或不同的格式。解决方法：在相同的 imgsz、格式和批次下比较尺寸，并且每次只改变一个变量。
不要先训练 x，再打算稍后通过模型剪枝或量化将其缩小到 n：架构变小意味着要重新训练。先选定尺寸；把量化视为在合适尺寸基础上的额外加速手段，而不是替代方案。
更深入的延迟优化——批处理、量化和运行时选择——属于 Production 课程中的成本与延迟调优内容；性能指标指南则解释了每个准确率指标。
显示解答
Budget: 30 FPS on a laptop CPU -> 33 ms per frame, shared with decode and drawing
Measured: ONNX at 640 -> yolo26n 13.9 ms (19 ms headroom), yolo26s 30.9 ms (none; 60 ms under load)
Decision: train yolo26n first. If accuracy on our val set falls short,
try yolo26s at imgsz=480 and re-benchmark before committing.