YOLO Vision 2026:

Сравнение моделей#

Выбор правильной архитектуры нейронной сети — это основа любого успешного проекта по computer vision. Добро пожаловать в Ultralytics Model Comparison Hub! На этой странице собраны подробные технические анализы и бенчмарки производительности, в которых разбираются компромиссы между новейшими Ultralytics YOLO26 и другими ведущими архитектурами, такими как YOLO11, YOLOv10, RT-DETR и EfficientDet.

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

Интерактивные тесты производительности#

Визуализация связи между скоростью и точностью важна для определения «границы Парето» в обнаружении объектов — моделей, которые обеспечивают наилучшую точность для заданного ограничения по скорости. На графике ниже сопоставляются ключевые метрики на стандартных datasets like COCO.

На этом графике визуализированы ключевые performance metrics, позволяющие быстро оценить компромиссы между различными моделями. Понимание этих метрик имеет фундаментальное значение для выбора модели, которая соответствует твоим конкретным ограничениям развертывания.

Краткое 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]:::start --> B{Deployment Hardware?}:::decide
    B -- "Edge / Mobile (CPU/NPU)" --> C{Latency Priority?}:::decide
    B -- "Cloud / GPU" --> D{Accuracy vs Speed?}:::decide

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

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

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

    classDef start fill:#4CAF50,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Текущий 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.

Ultralytics 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.

Ultralytics 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.

Модели 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

Подробные 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:

YOLO26 против#

YOLO26 — это новейшая модель Ultralytics с бесшовным обнаружением без NMS, оптимизатором MuSGD и ускорением инференса на CPU до 43%. Она оптимизирована для деплоя на краю сети и при этом обеспечивает передовую точность.

YOLO11 против#

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

YOLOv10 против#

Разработанная Университетом Цинхуа, YOLOv10 сфокусирована на удалении этапа Non-Maximum Suppression (NMS) для снижения дисперсии задержки, предлагая передовую производительность с меньшими вычислительными затратами.

YOLOv9 против#

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

YOLOv8 против#

Ultralytics YOLOv8 остается очень популярным выбором, обладая передовыми архитектурами бэкбона и шеи, а также разделенной головой без анкоров для оптимального соотношения точности и скорости.

YOLOv7 против#

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

YOLOv6 против#

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

YOLOv5 и#

Ultralytics YOLOv5 славится своей простотой использования, стабильностью и скоростью. Он остается надежным выбором для проектов, требующих широкой совместимости с устройствами.

RT-DETR и#

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

PP-YOLOE+ против#

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

DAMO-YOLO против#

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

YOLOX против#

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

EfficientDet 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 выпуска новых моделей и доработки бенчмарков. Мы рекомендуем изучить эти ресурсы, чтобы найти идеальный вариант для твоего следующего проекта по компьютерному зрению. Если ты ищешь решения корпоративного уровня с частной лицензией, посети нашу страницу лицензирования. Приятного сравнения!

Участники
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Комментарии