4.6 YOLOv6 / YOLOv7 / YOLOv8 (简要概述最新进展与趋势)

4.6 YOLOv6 / YOLOv7 / YOLOv8

本节摘要：YOLOv5 之后，各家推出 v6/v7/v8，进入"YOLO 诸国时代"。本节简述这些版本的改进和趋势——单阶段检测的当下。

本节导航

阅读完本节，你应当能够：

1. 了解 YOLOv6/v7/v8 的来源和改进
2. 理解 anchor-free 趋势
3. 知道当前 YOLO 生态格局

概念脉络

一、YOLO 诸国时代

YOLOv5 之后，多家机构各自发布 YOLO 版本，命名混乱但都基于单阶段回归思想：

二、YOLOv6（美团）

美团 2022 年发布，面向工业部署：

• RepVGG 风格骨干：训练多分支，推理单分支，部署友好
• EfficientRep：高效重参数化结构
• anchor-free：去掉锚点，直接预测中心点
• 解耦头：分类和回归头分离
• 定位：工业场景，速度优先

重参数化（reparameterization）是 YOLOv6 的关键词：训练时网络有多分支（如残差旁路），推理时把多分支合并成单分支卷积，训练性能不损失、推理变快。这是"训练和推理用不同结构"的代表做法。

三、YOLOv7（原作者团队）

YOLOv4 作者团队 2022 年发布，架构创新：

• E-ELAN：扩展的高效层聚合网络
• 模型重参数化：训练多分支推理单分支
• 辅助头训练：用辅助监督提升
• 标签分配：动态标签分配
• 在 COCO 上达到高精度，速度领先

YOLOv7 提出"辅助头"训练技巧：主检测头之外加一个辅助头，让梯度从两条路径回传，深层特征训练得更充分，推理时辅助头去掉不影响结构。

四、YOLOv8（Ultralytics）

图 4-6 YOLOv8 与 anchor-free 趋势

Ultralytics 2023 年发布 YOLOv8，集大成：

• anchor-free：去掉锚点，直接预测中心点（趋势）
• 解耦头：分类和回归头分离
• 无 NMS 训练：一致性损失，推理可去 NMS
• 统一框架：检测、实例分割、姿态估计、分类一体
• C2f 模块：改进 CSP，更强特征
• 提供 n/s/m/l/x 五种尺寸

YOLOv8 是当前 Ultralytics 主推版本，工程化延续 v5 易用性。

五、anchor-free 趋势

早期 YOLO（v2-v5）用 anchor-based，需预设锚点尺寸。新版本（v6/v8）转向 anchor-free：

• 直接预测中心点，无需锚点
• 无需调锚点超参
• 更简洁，泛化好
• 代表：FCOS、CenterNet、YOLOX、YOLOv6/v8

# anchor-free 解码：直接回归中心点 + 宽高
def decode_anchor_free(raw):
    """raw 形状 [N, 4+num_cls, H, W]"""
    cx = sigmoid(raw[:, 0]) * stride + grid_x   # 中心点 x
    cy = sigmoid(raw[:, 1]) * stride + grid_y   # 中心点 y
    w = raw[:, 2].exp() * base_size             # 宽
    h = raw[:, 3].exp() * base_size             # 高
    return cx, cy, w, h
​

anchor-free 的意义：不用再 K-means 聚类锚点、不用处理锚点分配，训练配置更少；对长尾形状目标的泛化也更好。代价是早期训练稳定性略差，需要用中心采样等技巧兜底。

六、其他新版本

• YOLOX：旷视，早期 anchor-free 探索
• YOLOv9（2024）：可编程梯度信息，进一步突破
• YOLOv10（2024）：无 NMS 设计

七、当前格局

YOLO 生态已非单一主线，多家并行：

• Ultralytics：v5、v8（及后续），工程化强，社区大
• 美团：v6，工业部署
• 原作者团队：v4、v7，架构创新
• 学术界：YOLOX、v9/v10，前沿探索

选型时按需求（精度/速度/部署/生态）选，不必拘泥版本号。

八、选型对比表

问：这么多版本怎么入门？ 从 YOLOv8 或 YOLOv5 上手，它们的文档、教程、权重最全；理解一个之后，其他版本看结构差异即可。

九、从对比理解趋势

把 v1 到 v8 放在一起看，单阶段检测的演进其实是三条线的叠加：骨干越来越强（Darknet-19→Darknet-53→CSPDarknet→C2f），预测方式越来越直接（网格回归→锚点→anchor-free），训练配方越来越重（普通增强→Mosaic→无 NMS 训练）。每次"换头"（改检测头）的收益正在变小，而"换配方"（改训练与部署策略）的收益越来越大——这正是 YOLOv4 开启的工程优化时代延续至今的原因。选型时不用追最新版本号，先看自己卡在哪个环节：速度不够调重参数化，精度不够调训练配方，部署麻烦换统一框架。对多数业务而言，把训练配方和部署链路打磨好，比换一个更新版本号收益更确定。

⚠️ 版本混乱：YOLOv6/v7/v8 来自不同团队，命名不连续，别纠结"正统"。按需求选：工程化用 v5/v8，工业部署看 v6，架构创新看 v7。

💡 关键直觉：YOLO 进入诸国时代：v6（美团工业）、v7（原作者架构创新）、v8（Ultralytics 集大成）。趋势是 anchor-free（去锚点直接预测中心）。选型按需求，别纠结版本号。

重点提炼

• 诸国时代：v6（美团）、v7（原作者团队）、v8（Ultralytics）多家并行。
• YOLOv6：美团，RepVGG 风格、anchor-free、解耦头，工业部署。
• YOLOv7：E-ELAN、重参数化、辅助头，架构创新。
• YOLOv8：anchor-free、解耦头、无 NMS 训练、统一框架（检测/分割/姿态/分类）。
• anchor-free 趋势：去锚点直接预测中心，更简洁泛化好（FCOS/CenterNet/YOLOX/v6/v8）。
• 其他：YOLOX、v9（可编程梯度）、v10（无 NMS）。
• 选型：按需求选，别纠结版本号。

下一节看其他单阶段检测器。