Meet YOLO26: next-gen vision AI.

Link to this sectionСравнение моделей: выбери лучшую модель обнаружения объектов для своего проекта#

Выбор правильной архитектуры нейронной сети — краеугольный камень любого успешного проекта в области computer vision. Добро пожаловать в Ultralytics Model Comparison Hub! На этой странице собраны подробные технические анализы и показатели производительности, где разбираются компромиссы между новейшей Ultralytics YOLO26 и другими ведущими архитектурами, такими как YOLO11, YOLOv10, RT-DETR и EfficientDet.

Независимо от того, требует ли твое приложение миллисекундной задержки edge AI или высокой точности, необходимой для медицинской визуализации, это руководство предоставляет основанные на данных идеи, необходимые для принятия взвешенного выбора. Мы оцениваем модели на основе mean Average Precision (mAP), inference speed, эффективности параметров и простоты развертывания.

Link to this sectionИнтерактивные тесты производительности#

Визуализация зависимости между скоростью и точностью необходима для определения «границы Парето» в обнаружении объектов — моделей, которые предлагают наилучшую точность при заданном ограничении скорости. На графике ниже сравниваются ключевые метрики на стандартных datasets like COCO.

Этот график визуализирует ключевые performance metrics, позволяя тебе быстро оценить компромиссы между различными моделями. Понимание этих метрик является фундаментальным для выбора модели, которая соответствует твоим конкретным ограничениям развертывания.

Link to this sectionКраткое руководство по принятию решений#

Не знаешь, с чего начать? Используй это дерево решений, чтобы сузить круг архитектур, которые лучше всего соответствуют твоим требованиям к оборудованию и производительности.

graph TD
    A[Start: Define Project Needs] --> B{Deployment Hardware?}
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}

    C -- "Extreme Speed (Real-time)" --> E[YOLO26n / YOLO26s]
    C -- "Balanced Legacy" --> F[YOLO11s / YOLOv8s]

    D -- "Max Accuracy (SOTA)" --> G[YOLO26x / YOLO26l]
    D -- "Balanced Performance" --> H[YOLO26m / YOLO11m]

    A --> I{Specialized Features?}
    I -- "NMS-Free Inference" --> J[YOLO26 / YOLOv10]
    I -- "Multitask (Seg/Pose/OBB)" --> K[YOLO26 / YOLO11]
    I -- "Video Analytics" --> L[YOLO26 + Tracking]

Link to this sectionТекущий ландшафт: YOLO26 и не только#

Область обнаружения объектов быстро развивается. В то время как старые модели остаются актуальными для поддержки устаревших систем, новые архитектуры расширяют границы возможного.

Link to this sectionUltralytics YOLO26#

Выпущенная в январе 2026 года, YOLO26 является новейшей передовой моделью и рекомендуемой отправной точкой для всех новых проектов. Она внедряет революционные архитектурные инновации, включая End-to-End NMS-Free Design, который устраняет необходимость в постобработке Non-Maximum Suppression, что приводит к более быстрому и предсказуемому времени инференса. YOLO26 до 43% быстрее на CPU по сравнению с предыдущими поколениями, что делает её идеальной для развертывания на периферийных устройствах.

Ключевые инновации включают:

  • NMS-Free End-to-End: Упрощенное развертывание без необходимости постобработки
  • DFL Removal: Оптимизированный экспорт в ONNX, TensorRT и CoreML
  • MuSGD Optimizer: Гибридный оптимизатор SGD/Muon, вдохновленный обучением LLM для стабильной сходимости
  • ProgLoss + STAL: Улучшенная производительность обнаружения мелких объектов
Почему стоит выбрать YOLO26?

YOLO26 представляет собой вершину инженерной мысли Ultralytics, сочетая лучшие качества эффективности CNN с end-to-end возможностями в стиле Transformer. Она поддерживает все задачи — обнаружение, сегментацию, оценку позы, классификацию и OBB — оставаясь при этом меньше, быстрее и проще в развертывании, чем когда-либо прежде.

Link to this sectionUltralytics YOLO11#

YOLO11 остается высокопроизводительной моделью, предлагая снижение количества параметров на 22% по сравнению с YOLOv8 при улучшении точности обнаружения. Она полностью поддерживается и рекомендуется для пользователей, которым нужна проверенная стабильность или у которых уже есть существующие конвейеры YOLO11.

Link to this sectionМодели сообщества: заметка о YOLO12 и YOLO13#

Ты можешь встретить упоминания о YOLO12 или YOLO13 в дискуссиях сообщества или репозиториях.

Предостережение для продакшена

В настоящее время мы не рекомендуем YOLO12 или YOLO13 для использования в продакшене.

  • YOLO12: Использует слои внимания (attention layers), которые часто вызывают нестабильность обучения, чрезмерное потребление памяти и значительно более медленную скорость инференса на CPU.
  • YOLO13: Бенчмарки показывают лишь незначительный прирост точности по сравнению с YOLO11 при том, что модель больше и медленнее. Сообщенные результаты показывают проблемы с воспроизводимостью.


Watch: YOLO Models Comparison: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8

Link to this sectionПодробные сравнения моделей#

Изучи наши глубокие технические сравнения, чтобы понять специфические архитектурные различия, такие как выбор бэкбона, дизайн головы (head design) и функции потерь. Мы систематизировали их по моделям для удобства доступа:

Link to this sectionYOLO26 против#

YOLO26 — это новейшая модель Ultralytics, поддерживающая NMS-free end-to-end обнаружение, оптимизатор MuSGD и до 43% более быстрый инференс на CPU. Она оптимизирована для развертывания на edge-устройствах, обеспечивая при этом передовую точность.

Link to this sectionYOLO11 против#

YOLO11 развивает успех своих предшественников благодаря передовым исследованиям. Она оснащена улучшенной архитектурой бэкбона и шеи (neck) для лучшего извлечения признаков и оптимизированной эффективности.

Link to this sectionYOLOv10 против#

Разработанная Университетом Цинхуа, YOLOv10 фокусируется на удалении шага Non-Maximum Suppression (NMS) для снижения вариативности задержки, предлагая передовую производительность с уменьшенными вычислительными затратами.

Link to this sectionYOLOv9 против#

YOLOv9 представляет Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN) для решения проблемы потери информации в глубоких нейронных сетях.

Link to this sectionYOLOv8 против#

Ultralytics YOLOv8 остается очень популярным выбором, обладая продвинутыми архитектурами бэкбона и шеи (neck), а также anchor-free разделенной головой для оптимального соотношения точности и скорости.

Link to this sectionYOLOv7 против#

YOLOv7 представила "обучаемый набор бесплатных функций" (trainable bag-of-freebies) и репараметризацию моделей, сосредоточившись на оптимизации процесса обучения без увеличения затрат на инференс.

Link to this sectionYOLOv6 против#

YOLOv6 от Meituan разработана для промышленных приложений, оснащена модулями двунаправленной конкатенации (BiC) и стратегиями обучения с использованием анкоров.

Link to this sectionYOLOv5 против#

Ultralytics YOLOv5 славится своей простотой использования, стабильностью и скоростью. Это надежный выбор для проектов, требующих широкой совместимости с устройствами.

Link to this sectionRT-DETR против#

RT-DETR (Real-Time Detection Transformer) использует трансформеры зрения для достижения высокой точности при работе в реальном времени, преуспевая в понимании глобального контекста.

Link to this sectionPP-YOLOE+ против#

PP-YOLOE+, разработанная Baidu, использует обучение с выравниванием задач (TAL) и разделенную голову (decoupled head) для баланса между эффективностью и точностью.

Link to this sectionDAMO-YOLO против#

Созданная в Alibaba Group, DAMO-YOLO использует нейроархитектурный поиск (NAS) и эффективную структуру RepGFPN для максимизации точности на статических тестах.

Link to this sectionYOLOX против#

YOLOX, разработанная Megvii, — это модель без анкоров, известная своей разделенной головой (decoupled head) и стратегией назначения меток SimOTA.

Link to this sectionEfficientDet против#

EfficientDet от Google Brain использует составное масштабирование и BiFPN для оптимизации параметров, предлагая спектр моделей (D0-D7) для различных ограничений.

Этот индекс постоянно обновляется по мере выхода новых моделей и уточнения бенчмарков. Мы призываем тебя изучить эти ресурсы, чтобы подобрать идеальный вариант для твоего следующего проекта в области компьютерного зрения. Если ты ищешь решения корпоративного уровня с частным лицензированием, пожалуйста, посети нашу страницу лицензирования. Удачного сравнения!

Авторы
GLglenn-jocher11PDpderrenger1RIRizwanMunawar1

Комментарии