从 nano 到 large从 detect 到 classify 到 OBB一张表搞定选型开头YOLO 版本太多不知道选哪个你有没有过这种经历打开 Ultralytics 文档发现有 YOLOv5、YOLOv8、YOLOv11、YOLOv12……每个版本还有 nano、small、medium、large、extra-large 五种大小。你想训练一个芯片检测模型不知道选哪个版本、哪个大小、哪个任务类型。版本太多不是问题问题是没人告诉你怎么选。AOI 项目选了 YOLO11s 做检测、YOLO12n-cls 做分类。为什么选这两个因为它们在精度和速度之间找到了平衡。不是因为 YOLO 有多复杂——而是因为选型有标准答案。一、YOLO 家族谱系YOLO 演进史 YOLOv1 (2016) → ... → YOLOv5 (2020) → YOLOv8 (2023) → YOLOv11 (2024) → YOLOv12 (2025) ↑ Ultralytics 统一 APIUltralytics 的统一 APIfromultralyticsimportYOLO# 所有版本用法完全一样modelYOLO(yolov8n.pt)# YOLOv8 nanomodelYOLO(yolo11s.pt)# YOLOv11 smallmodelYOLO(yolo12n-cls.pt)# YOLOv12 nano 分类# 训练resultsmodel.train(datadataset/,epochs100)# 导出model.export(formatonnx)# 推理resultsmodel.predict(image.jpg)API 完全一样换版本只需要换模型名。二、任务类型对照表任务YOLO 类型输入尺寸输出格式AOI 应用目标检测detect640x640[x, y, w, h, conf, cls]group_detect灯组旋转检测obb320x320[x, y, w, h, angle, conf, cls]chip_detect芯片图像分类classify224x224[class_prob1, class_prob2, …]polar_classify / chip_defect任务类型选择指南你要做什么 ↓ 检测目标位置 ├── 是 → 目标水平排列 → detect └── 否 → 目标有旋转角度 → obb ↓ 只判断类别 └── 是 → classify三、模型大小选型参数量与性能对照大小参数量速度RTX 5090精度mAP50适用场景nano (n)3.2M最快最低边缘设备、实时性要求高small (s)11.2M快中等平衡之选推荐medium (m)25.9M中等较高精度要求高large (l)43.7M慢高精度要求极高xlarge (x)68.2M最慢最高竞赛、研究AOI 项目的选型模型大小选择理由YOLO11s灯组检测small灯组大不需要太大模型YOLO11s-obb芯片检测small芯片小但数量多需要速度YOLO12n-cls极性分类nano分类任务简单nano 足够YOLO11n-cls缺陷分类nano从预训练微调不需要大模型四、版本选择指南YOLOv8 vs YOLOv11 vs YOLOv12特性YOLOv8YOLOv11YOLOv12发布时间202320242025API 风格UltralyticsUltralyticsUltralytics分类任务✅✅✅OBB 任务✅✅✅推荐度通用通用最新推荐选择建议新项目优先 YOLOv12最新已有项目保持原有版本不需要升级分类任务YOLOv12n-cls 表现最好五、避坑指南坑1直接用 large 训练# ❌ 错误显存爆炸modelYOLO(yolo12x-cls.pt)# 68M 参数需要 24GB 显存# ✅ 从 nano 开始modelYOLO(yolo12n-cls.pt)# 3M 参数2GB 显存够用坑2检测任务用 classify 模型# ❌ 错误任务类型不匹配modelYOLO(yolo12n-cls.pt)# 分类模型resultsmodel.train(datadetection_dataset.yaml)# 报错# ✅ 正确检测任务用 detect 模型modelYOLO(yolo11s.pt)# 检测模型resultsmodel.train(datadetection_dataset.yaml)坑3OBB 角度编码误解# ❌ 错误把 OBB 角度当旋转角度angle_rad1.57# ≈90°ifabs(angle_rad)0.03:# 2°rotate_image(image,angle_rad)# 97% 样本被误旋# ✅ 正确先折算水平倾角horizontal_tilt(angle_radmath.pi/2)%math.pi-math.pi/2ifabs(math.degrees(horizontal_tilt))2:# 只旋正小倾角rotate_image(image,horizontal_tilt)坑4不看模型大小直接训练现象训练到一半显存不够程序崩溃。解法先用小模型测试确认显存够用再换大模型。坑5混淆模型版本现象用 YOLOv8 的权重在 YOLOv11 上训练精度很低。解法版本和权重要对应不要混用。AOI 项目优秀实践按任务类型选模型检测用 detect、旋转用 OBB、分类用 classify按精度需求选大小简单任务用 nano复杂任务用 small版本化权重管理每个 run 有独立目录不会覆盖AOI 项目可改进之处缺少模型对比实验报告没有系统对比 v8/v11/v12 的精度差异缺少性能基准测试没有量化不同大小模型的速度差异缺少选型决策文档为什么选 YOLO11s 而非 YOLO12s没有记录理由结尾说回那个「YOLO 版本太多」的故事。后来我发现选型其实很简单分类用 nano、检测用 small、OBB 用 small。三个模型搞定整个 AOI 流水线。不是因为 YOLO 有多复杂——而是因为选型有标准答案。翻翻你的项目你的项目需要检测还是分类还是 OBB你选了哪个大小的模型nano/small/medium你用的是哪个版本的 YOLO评论区说说你在模型选型上踩过最深的坑。觉得有用收藏这篇下次选型时翻出来对照。转发给你团队里那个天天纠结选型的同事。下期预告model.train() 两行代码背后藏着多少坑超参数调优、早停策略、学习率调度AOI 项目的训练全记录。下一篇我们聊模型训练——从「两行代码」到「炼丹大师」。本文是《深度学习基础知识与实战技术栈》系列第三篇。