YOLOv8 到 YOLO11：全面架构深度比较综述
摘要
注：本文为初稿。已通过同行评审并大幅修订的最终稿已发表于 Jurnal RESTI。读者鼓励访问并引用已发表版本：DOI: https://doi.org/10.29207/resti.v10i2.6598 在深度学习计算机视觉领域，YOLO 具有革命性意义。就深度学习模型而言，YOLO 也是发展最快的模型之一。不幸的是，並非每個 YOLO 模型都具有学术出版物，而且存在缺乏公开可访问官方架构图的 YOLO 模型。这自然导致了诸多挑战，例如 complicate the understanding of how the model operates in practice。此外，现有的综述文章并未针对每个模型的具体细节进行调查。本研究的目标是呈现对四个最新 YOLO 模型（即 YOLOv8 至 YOLO11）的全面且深入的架构比较，从而使读者快速了解每个模型的工作方式以及它们之间的区别。为了分析每个 YOLO 版本的架构，我们细致审查了相关学术论文、文档以及源代码。分析结果表明，尽管每个 YOLO 版本在架构和特征提取方面都有所改进，但某些模块保持不变。缺乏学术出版物和官方图示为理解模型的功能性及未来增强带来了挑战。鼓励未来的开发者提供这些资源。
引用
@article{arxiv.2501.13400,
title = {YOLOv8 to YOLO11: A Comprehensive Architecture In-depth Comparative Review},
author = {Priyanto Hidayatullah and Nurjannah Syakrani and Muhammad Rizqi Sholahuddin and Trisna Gelar and Refdinal Tubagus},
journal= {arXiv preprint arXiv:2501.13400},
year = {2026}
}
备注
This preprint has been significantly revised and published in its final form. Please cite and refer to the published version: YOLOv8 to YOLO11 Performance Benchmark and Comprehensive Architectural Comparative Review, Jurnal RESTI, Volume 10 No 2, 2026. DOI: https://doi.org/10.29207/resti.v10i2.6598