结论：v8 的主价值是把 OBB 纳入 Ultralytics 的 anchor-free 统一框架；YOLO11 的主价值是用更省参数的骨干与注意力模块提升 OBB 特征表达；YOLO26 的主价值则是把 OBB 也推进到端到端、无 NMS、去 DFL 的部署形态。 ([Ultralytics Docs][1])

“共性”，在当前 Ultralytics 源码里，OBB 头本质上是 Detect 头的扩展版。通用 OBB 头在 Detect 的 box/class 分支之外，再加一个 angle 分支；推理后会输出 7 维结果，格式是 [x, y, w, h, max_class_prob, class_index, angle]。这意味着三代模型的 OBB 并不是完全独立的一套网络，而是共享各自的 backbone/neck/box-class head，只在末端增加角度建模，所以它们的大部分“创新”和“加速”其实都首先发生在通用检测主干上，然后自然传递到 OBB 任务。([GitHub][2])

1. YOLOv8-OBB：创新点

YOLOv8 的底层变化有两个最关键：一是 anchor-free split head，二是大量使用 C2f 模块。官方文档明确说 YOLOv8 采用了 anchor-free split Ultralytics head，并把它作为一项核心特性；官方比较页则进一步说明，YOLOv8 的结构很依赖 C2f block，它在网络深度与梯度流之间做了比较好的平衡。YOLOv8 也原生支持 yolov8*-obb.pt 这条 OBB 模型线。([Ultralytics Docs][1])

如果把这个放到 OBB 任务里看，YOLOv8 的真正意义是：它把旋转框检测第一次比较完整地并入了 Ultralytics 多任务体系。你不需要再为 OBB 维护一套完全不同的推理/训练框架，而是沿用 YOLOv8 的通用 backbone、neck、anchor-free head，再在末端接一个 angle 分支。这对工程很重要，因为 OBB 的额外成本被压缩到了“检测头上加一条角度支路”这个量级。([Ultralytics Docs][1])

2. YOLOv8-OBB：加速原理

YOLOv8-OBB 的加速，核心不是某个“旋转专用算子”，而是三件事：

第一，anchor-free。官方文档直接把它描述成“更高效的检测过程”，因为它省掉了 anchor 设计与 anchor-based 输出组织带来的复杂性。对 OBB 来说，这意味着你只是在统一的 anchor-free 检测流程上额外回归一个角度，而不是在一套更复杂的 anchor 体系上再处理旋转。([Ultralytics Docs][1])

第二，C2f 的轻量特征聚合。官方比较页把 C2f 描述成 YOLOv8 稳健的关键结构之一；从工程上理解，它让模型在不显著堆大参数的前提下，保持较好的梯度传播和多尺度表达，所以 OBB 这类对方向和边界更敏感的任务，也能在比较低的计算量下得到不错的 backbone 特征。([Ultralytics Docs][3])

第三，OBB 头只增量增加角度分支。当前源码里，通用 OBB 头只是继承 Detect，再额外引入 angle_head，并在后处理中把角度拼到输出末端；这比“重新做一整套旋转检测器”要轻很多。([GitHub][2])

3. YOLO11-OBB：创新点

YOLO11 相比 YOLOv8，最值得记的两个改动是：C3k2 取代大量 C2f，以及在 backbone 深层加入 C2PSA。官方比较页明确写到，YOLO11 用 C3k2 替换了传统的 C2f 模块，并引入了 C2PSA（Cross-Stage Partial Spatial Attention）；同页还说明，这样做的目标是“最大化特征提取效率，同时最小化计算开销”，并强调 C2PSA 对小目标检测和复杂遮挡更有帮助。官方 yolo11.yaml 也能直接看到 backbone 中的 C3k2 和 C2PSA。YOLO11 同样原生支持 OBB 任务。([Ultralytics Docs][3])

把它放到 OBB 上，YOLO11-OBB 的核心价值可以概括为一句话：它不是改 OBB 头，而是增强了 OBB 最依赖的“方向敏感特征”来源。 OBB 尤其依赖深层特征去判断长轴、短轴、目标朝向和密集遮挡关系，而 C2PSA 恰好是“让网络更关注关键区域”的模块；官方比较页甚至直接把它和小目标、复杂遮挡联系起来，这对遥感、俯视、工业零件这类 OBB 场景非常契合。([Ultralytics Docs][3])

4. YOLO11-OBB：加速原理

YOLO11 的加速原理和 v8 有本质差异：它更像是**“同等甚至更高精度下，把参数和 FLOPs 做低”。官方比较页给了非常直接的数据：例如 YOLO11m 相比 YOLOv8m，参数从 25.9M 降到 20.1M，FLOPs 从 78.9B 降到 68.0B，CPU ONNX 推理时间也从 234.7 ms 降到 183.2 ms，同时 mAP 还从 50.2 提到 51.5。这说明它的速度提升，主要来自更高的参数利用率**，不是简单牺牲精度去换速度。([Ultralytics Docs][3])

对 OBB 来说，这种加速同样成立。原因很简单：Ultralytics 的 OBB 任务不是独立 backbone，YOLO11-OBB 仍沿用同样的骨干和颈部，只是在检测头末端加角度预测。因此，YOLO11 通用架构更省参数、更低 FLOPs 的收益，会直接体现在 OBB 版本上；而 C2PSA 带来的空间注意力，又能补偿 OBB 对方向和局部几何更高的表达要求。([Ultralytics Docs][4])

5. YOLO26-OBB：创新点

YOLO26 的变化最大，而且它对 OBB 是直接生效的。官方模型页把 YOLO26 的核心特性列得很清楚：去掉 DFL、原生端到端无 NMS、ProgLoss + STAL、MuSGD，并强调这是为边缘和低功耗设备重新设计的一代模型。官方 FAQ 还把这些点明确列为相对 YOLO11 的主要改进。([Ultralytics Docs][5])

放到 OBB 任务里，最关键的不是“它也支持 OBB”，而是YOLO26 的端到端设计连 OBB 一起改了。官方 end-to-end 指南明确给出：YOLO26 在 OBB 任务下的 one-to-one 端到端输出形状是 (N, 300, 7)，也就是 6 个检测值再加 1 个 rotation angle；并且推理阶段默认只用 one-to-one 头，不再需要 NMS。官方 OBB 任务页也说明了 yolo26*-obb.pt 是 OBB 专用模型，使用 -obb 后缀，并预训练于 DOTAv1。([GitHub][6])

还有一个很“OBB 专项”的变化：当前源码里，YOLO26 不再沿用通用 OBB 头，而是单独定义了 OBB26。源码明确写到，OBB26 相比原始 OBB 头，改成输出 raw angle predictions，不再对角度做 sigmoid 变换；而通用 OBB 头则会把 angle logits 通过
((\sigma(\text{angle}) - 0.25)\pi)
映射到 ([-\pi/4, 3\pi/4])。这说明 YOLO26 对 OBB 的角度分支本身就做了专门调整。([GitHub][2])

6. YOLO26-OBB：加速原理

YOLO26 的加速原理，是三代里最“部署导向”的。

第一，去 NMS。官方 end-to-end 指南写得非常明确：YOLO26 默认移除了 NMS，直接输出最终检测；对于自定义推理代码，输出也从 YOLOv8/YOLO11 风格的 (N, nc + 4, 8400) 变成了端到端的 (N, 300, 6)，而 OBB 则是 (N, 300, 7)。这一步直接砍掉了一个后处理阶段，所以部署链路更短、延迟更低。([GitHub][6])

第二，去 DFL。官方模型页直接说 DFL 虽然有效，但会让导出更复杂、限制硬件兼容性；YOLO26 彻底移除 DFL，就是为了让推理图更简单、更适合边缘设备。对 OBB 来说，这同样重要，因为旋转检测本来就比普通检测多一个角度变量，去掉 DFL 后，整体图结构反而更利于导出。([Ultralytics Docs][5])

第三，双头训练、单头推理。官方指南解释得很清楚：YOLO26 训练时同时跑 one-to-many 和 one-to-one 两个头；其中 one-to-many 提供更丰富的学习信号，one-to-one 学习干净、无重叠的最终预测；推理和导出时默认只保留 one-to-one。源码还写明 fuse() 会在推理优化时把 one-to-many 头删掉，从而进一步减少模型大小和 FLOPs。([GitHub][6])

第四，小目标优先的损失与优化器。官方把 ProgLoss + STAL 明确描述为“对小目标识别有明显帮助”，而 OBB 最常见的高价值场景——遥感、俯视交通、无人机、工业细小零件——恰恰都很吃小目标性能。再叠加 MuSGD，官方给出的定位是训练更稳定、收敛更快。换句话说，YOLO26-OBB 的“快”不只是推理快，还包括更快收敛到可用模型。([Ultralytics Docs][5])

7. 简化理解

YOLOv8-OBB：核心是 anchor-free + C2f + 通用 OBB 角度分支。它的优势是框架统一、成熟、好上手；加速主要来自 anchor-free 检测流程和较轻的增量 OBB 头。([Ultralytics Docs][1])

YOLO11-OBB：核心是 C3k2 + C2PSA。它不是重新发明 OBB 头，而是把 OBB 依赖的 backbone/neck 做得更省参数、更擅长小目标和遮挡；加速主要来自更高的参数利用率和更低的 FLOPs。([Ultralytics Docs][3])

YOLO26-OBB：核心是 去 DFL + 端到端无 NMS + OBB26 raw-angle head + ProgLoss/STAL。它对 OBB 的变化最大，尤其适合你关心导出、CPU/边缘端延迟、以及想把后处理尽量做薄的场景；加速主要来自简化推理图和去掉 NMS/DFL。([Ultralytics Docs][5])

8. 实战选型

如果你做的是 “先把 OBB 跑通、训练稳定、社区资料多” 的项目，优先选 YOLOv8-OBB。它是三者里生态最成熟的一条线，而且 OBB 已被纳入标准任务体系。([Ultralytics Docs][1])

如果你更关心 “同等预算下更高精度、更省参数，尤其是小目标和遮挡”，优先选 YOLO11-OBB。官方给出的架构升级方向和指标都表明，它是对 v8 的高效增强版。([Ultralytics Docs][3])

如果你更关心 “部署速度、边缘端、导出简洁、少写 NMS 后处理”，优先选 YOLO26-OBB。官方文档对它的定位就是端到端、去 NMS、去 DFL，并给出 最多 43% 更快的 CPU 推理 这一方向性收益。([Ultralytics Docs][5])

参考链接：
[1]: https://docs.ultralytics.com/models/yolov8/ “Explore Ultralytics YOLOv8 - Ultralytics YOLO Docs”
[2]: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/nn/modules/head.py “ultralytics/ultralytics/nn/modules/head.py at main · ultralytics/ultralytics · GitHub”
[3]: https://docs.ultralytics.com/compare/yolo11-vs-yolov8/ “YOLO11 vs YOLOv8: A Comprehensive Technical Comparison of Real-Time Vision Models”
[4]: https://docs.ultralytics.com/models/yolo11/ “Ultralytics YOLO11 - Ultralytics YOLO Docs”
[5]: https://docs.ultralytics.com/models/yolo26/ “Ultralytics YOLO26 - Ultralytics YOLO Docs”
[6]: https://github.com/ultralytics/ultralytics/blob/main/docs/en/guides/end2end-detection.md “ultralytics/docs/en/guides/end2end-detection.md at main · ultralytics/ultralytics · GitHub”