2026 年最好的 YOLOv8 替代方案是什么？

如果使用 GPU，推荐 RF-DETR-S。它在 LibreYOLO 的 RF100-VL 测试中取得了 60.41 mAP50-95。RF100-VL 论文报告 YOLOv8m 的得分为 56.9。卷积模型可以选 YOLO-NAS-S，得分为 58.00。

RF-DETR 的迁移能力比 YOLOv8 更好吗？

在 RF100-VL 上是的。LibreYOLO 测得 RF-DETR-S 为 60.41，RF-DETR-M 为 61.13。Roboflow 报告的得分分别为 60.2 和 61.2。论文报告 YOLOv8m 的得分为 56.9。

Deci 的预训练权重不可商用。其架构采用 Apache-2.0 许可。LibreYOLO 不提供这些权重。许可证详情请看 YOLO-NAS 文章。

2026年8月20日Xuban

选择检测器通常会看 COCO 表现。也可以换个角度，看看模型在其他数据上的微调效果。RF100-VL 就是衡量这一点的基准：在 100 个数据集上，分别用 COCO 预训练的检查点训练 100 轮，然后在每个数据集的测试集上评分。最终数字是平均 mAP50-95。

根据论文附录，YOLOv8m 的得分为 56.9。我们运行的两个模型得分更高：RF-DETR 和 YOLO-NAS。原始运行结果见 huggingface.co/datasets/LibreYOLO/rf100-vl-results。

在 LibreYOLO 的测试中，RF-DETR-S 得分为 60.41，RF-DETR-M 得分为 61.13。Roboflow 报告的得分分别为 60.2 和 61.2。Nano 到 Large 版本均采用 Apache-2.0 许可。

from libreyolo import LibreYOLO

model = LibreYOLO("LibreRFDETRs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=512, batch=8)

YOLO-NAS-S 得分为 58.00。如果你想要 YOLO 风格的 CNN，它是一个卷积模型选项。Deci 发布的权重不可商用。LibreYOLO 不托管这些权重。详情见：YOLO-NAS 仍在持续维护。

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLONASs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=640, batch=16)

安装 RF-DETR 时运行 pip install "libreyolo[rfdetr]"，安装 YOLO-NAS 时运行 pip install libreyolo。测试页面：RF100-VL。