Ultralytics YOLO27:
Get Started

Сравнение моделей#

Выбор подходящей архитектуры нейронной сети — основа любого успешного проекта в области компьютерного зрения. Добро пожаловать в Центр сравнения моделей Ultralytics! На этой странице собраны подробные технические анализы и тесты производительности, раскрывающие компромиссы между новейшей Ultralytics YOLO26 и другими ведущими архитектурами, такими как YOLO11, YOLOv10, RT-DETR и EfficientDet.

Независимо от того, требуется ли твоему приложению миллисекундная задержка, характерная для периферийного ИИ, или высокая точность, необходимая для медицинской визуализации, это руководство предоставляет основанные на данных сведения, которые помогут тебе сделать обоснованный выбор. Мы оцениваем модели по средней точности (mAP), скорости инференса, эффективности использования параметров и простоте развёртывания.

Интерактивные тесты производительности#

Визуализация взаимосвязи скорости и точности необходима для определения «границы Парето» в обнаружении объектов — моделей, обеспечивающих наилучшую точность при заданном ограничении скорости. На диаграмме ниже сравниваются основные метрики на стандартных наборах данных, например COCO.

На этой диаграмме показаны основные метрики производительности, позволяющие быстро оценить компромиссы между разными моделями. Понимание этих метрик необходимо для выбора модели, соответствующей конкретным ограничениям развёртывания.

Краткое руководство по выбору#

Не знаешь, с чего начать? Используй это дерево решений, чтобы определить архитектуру, которая лучше всего подходит для твоего оборудования и требований к производительности.

Текущее положение дел: YOLO26 и другие модели#

Область обнаружения объектов быстро развивается. Старые модели сохраняют актуальность благодаря поддержке устаревших систем, а новые архитектуры расширяют границы возможного.

Ultralytics YOLO26#

Выпущенная в январе 2026 года, YOLO26 — новейшая передовая модель и рекомендуемый выбор для начала всех новых проектов. В ней представлены революционные архитектурные инновации, включая опциональную сквозную архитектуру без NMS (nms=False), которая устраняет необходимость постобработки с подавлением немаксимумов и обеспечивает более быструю и предсказуемую инференцию. YOLO26 работает на 43% быстрее на CPU, чем модели предыдущих поколений, что делает её идеальной для развертывания на периферийных устройствах.

Ключевые инновации:

  • Сквозная архитектура без NMS: упрощенное развертывание без постобработки с NMS (nms=False)
  • Удаление DFL: оптимизированный экспорт в ONNX, TensorRT и CoreML
  • Оптимизатор MuSGD: гибридный оптимизатор SGD/Muon, вдохновленный обучением LLM и обеспечивающий стабильную сходимость
  • ProgLoss + STAL: улучшенное обнаружение мелких объектов
Почему стоит выбрать YOLO26?

YOLO26 — вершина инженерных разработок Ultralytics: модель сочетает эффективность CNN со сквозными возможностями, характерными для Transformer. Она поддерживает все задачи — обнаружение, сегментацию экземпляров и семантическую сегментацию, оценку глубины, классификацию, оценку позы и OBB, — при этом она компактнее, быстрее и проще в развертывании, чем когда-либо прежде.

Ultralytics YOLO11#

YOLO11 по-прежнему остается высокоэффективной моделью: YOLO11m использует на 22% меньше параметров, чем YOLOv8m, и при этом обеспечивает более высокую точность обнаружения. Модель полностью поддерживается и рекомендуется тем, кому важна проверенная стабильность или кто уже использует существующие конвейеры YOLO11.

Модели сообщества: о YOLO12 и YOLO13#

В обсуждениях сообщества или репозиториях тебе могут встретиться упоминания YOLO12 или YOLO13.

Предупреждение о промышленном использовании

Сейчас мы не рекомендуем использовать YOLO12 или YOLO13 в промышленных средах.

  • YOLO12: использует слои внимания, которые часто приводят к нестабильности обучения, чрезмерному потреблению памяти и значительно более медленной инференции на CPU.
  • YOLO13: результаты бенчмарков показывают лишь незначительный прирост точности по сравнению с YOLO11, а сама модель при этом крупнее и медленнее. Опубликованные результаты указывают на проблемы с воспроизводимостью.


Смотри: Сравнение моделей YOLO: Ultralytics YOLO11 против YOLOv10, YOLOv9 и Ultralytics YOLOv8

Подробное сравнение моделей#

Изучи наши подробные технические сравнения, чтобы разобраться в конкретных архитектурных различиях, например в выборе backbone, устройстве головы и функциях потерь. Для удобства мы сгруппировали материалы по моделям:

YOLO26 против#

YOLO26 — новейшая модель Ultralytics со сквозным обнаружением без NMS, оптимизатором MuSGD и инференцией на CPU до 43% быстрее. Она оптимизирована для развертывания на периферийных устройствах и обеспечивает передовую точность.

YOLO11 против#

YOLO11 продолжает успех предшественников благодаря передовым исследованиям. В модели улучшена архитектура backbone и neck, что повышает качество извлечения признаков и эффективность.

YOLOv10 против#

Разработанная Университетом Цинхуа, YOLOv10 направлена на устранение этапа подавления немаксимумов (NMS), чтобы снизить вариативность задержки и обеспечить передовую производительность при меньших вычислительных затратах.

YOLOv9 против#

YOLOv9 представляет программируемую информацию о градиенте (PGI) и обобщенную эффективную сеть агрегации слоев (GELAN), чтобы решить проблему потери информации в глубоких нейронных сетях.

YOLOv8 против#

Ultralytics YOLOv8 остается очень популярной моделью: в ней используются усовершенствованные архитектуры backbone и neck, а также раздельная безанкерная голова для оптимального баланса точности и скорости.

YOLOv7 против#

YOLOv7 представила «обучаемый набор бесплатных улучшений» и перепараметризацию модели, сосредоточившись на оптимизации процесса обучения без увеличения затрат на инференцию.

YOLOv6 против#

YOLOv6 от Meituan разработан для промышленного применения. Он включает модули двунаправленной конкатенации (BiC) и стратегии обучения с использованием якорей.

YOLOv5 против#

Ultralytics YOLOv5 ценят за простоту использования, стабильность и скорость. Это надежный выбор для проектов, которым нужна широкая совместимость с устройствами.

RT-DETR против#

RT-DETR (трансформер для обнаружения объектов в реальном времени) использует визуальные трансформеры, чтобы обеспечить высокую точность при обработке в реальном времени, и эффективно учитывает глобальный контекст.

PP-YOLOE+ против#

PP-YOLOE+, разработанная Baidu, использует обучение согласованию задач (TAL) и разделенную голову, чтобы найти баланс между эффективностью и точностью.

DAMO-YOLO против#

DAMO-YOLO от Alibaba Group использует поиск нейронных архитектур (NAS) и эффективную RepGFPN, чтобы добиться максимальной точности на статических бенчмарках.

YOLOX против#

YOLOX, разработанная Megvii, — это безъякорная модель с разделенной головой и стратегией назначения меток SimOTA.

EfficientDet против#

EfficientDet от Google Brain использует составное масштабирование и BiFPN для повышения эффективности использования параметров и предлагает линейку моделей (D0–D7) для разных ограничений.

Этот указатель постоянно обновляется по мере выхода новых моделей и уточнения результатов бенчмарков. Изучи эти материалы, чтобы выбрать оптимальный вариант для своего следующего проекта в области компьютерного зрения. Если тебе нужны решения корпоративного уровня с частной лицензией, посетите нашу страницу лицензирования. Приятного сравнения!

Участники
GLglenn-jocher17PDpderrenger1RIRizwanMunawar1

Комментарии