Ultralytics YOLO27:

Сравнение моделей#

Выбор правильной архитектуры нейронной сети — краеугольный камень любого успешного проекта в области компьютерного зрения. Добро пожаловать в центр сравнения моделей Ultralytics! На этой странице собраны подробные технические анализы и сравнительные тесты производительности, позволяющие изучить компромиссы между новейшей моделью Ultralytics YOLO26 и другими ведущими архитектурами, такими как YOLO11, YOLOv10, RT-DETR и EfficientDet.

Независимо от того, требуется ли твоему приложению задержка в миллисекундах, характерная для периферийного ИИ, или высокая точность, необходимая для медицинской визуализации, это руководство предоставляет основанные на данных сведения для принятия обоснованного решения. Мы оцениваем модели по средней точности (mAP), скорости инференса, эффективности использования параметров и простоте развёртывания.

Интерактивные сравнительные тесты производительности#

Визуализация взаимосвязи между скоростью и точностью необходима для определения «границы Парето» в обнаружении объектов — моделей, обеспечивающих наилучшую точность при заданном ограничении скорости. На графике ниже сопоставляются ключевые метрики на стандартных датасетах, таких как COCO.

На этом графике представлены ключевые метрики производительности, позволяющие быстро оценить компромиссы между разными моделями. Понимание этих метрик необходимо для выбора модели, соответствующей твоим конкретным ограничениям развёртывания.

Краткое руководство по выбору#

Не знаешь, с чего начать? Используй это дерево решений, чтобы выбрать архитектуру, которая лучше всего соответствует требованиям твоего оборудования 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

Текущее положение дел: YOLO26 и не только#

Область обнаружения объектов стремительно развивается. Хотя старые модели по-прежнему актуальны для поддержки унаследованных систем, новые архитектуры расширяют границы возможного.

Ultralytics YOLO26#

Выпущенная в январе 2026 года, YOLO26 — новейшая передовая модель и рекомендуемая отправная точка для всех новых проектов. Она представляет революционные архитектурные инновации, включая сквозную архитектуру без NMS, устраняющую необходимость в постобработке подавления немаксимумов и обеспечивающую более быстрый и предсказуемый инференс. YOLO26 работает до 43% быстрее на CPU, чем модели предыдущих поколений, что делает её идеальной для периферийного развёртывания.

Ключевые инновации:

  • Сквозная архитектура без NMS: упрощённое развёртывание без необходимости в постобработке
  • Удаление DFL: оптимизированный экспорт в ONNX, TensorRT и CoreML
  • Оптимизатор MuSGD: гибридный оптимизатор SGD/Muon, вдохновлённый обучением LLM и обеспечивающий стабильную сходимость
  • ProgLoss + STAL: улучшенная производительность обнаружения небольших объектов
Почему стоит выбрать YOLO26?

YOLO26 представляет собой вершину инженерных разработок Ultralytics, объединяя эффективность CNN с возможностями сквозной обработки, характерными для Transformer. Она поддерживает все задачи — обнаружение, сегментацию, оценку позы, классификацию и OBB, — оставаясь при этом меньше, быстрее и проще в развёртывании, чем когда-либо прежде.

Ultralytics YOLO11#

YOLO11 остаётся очень эффективной моделью: по сравнению с YOLOv8 она содержит на 22% меньше параметров и при этом обеспечивает более высокую точность обнаружения. Она полностью поддерживается и рекомендуется пользователям, которым нужна проверенная стабильность или у которых уже есть готовые конвейеры YOLO11.

Модели сообщества: о YOLO12 и YOLO13#

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

Предупреждение для production-систем

В настоящее время мы не рекомендуем использовать YOLO12 или YOLO13 в production.

  • YOLO12: использует слои внимания, которые часто приводят к нестабильности обучения, чрезмерному потреблению памяти и значительно более низкой скорости инференса на CPU.
  • YOLO13: сравнительные тесты показывают лишь незначительный прирост точности по сравнению с YOLO11, при этом модель больше и медленнее. Опубликованные результаты демонстрируют проблемы с воспроизводимостью.


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

Подробное сравнение моделей#

Изучи наши подробные технические сравнения, чтобы понять конкретные архитектурные различия, включая выбор backbone, архитектуру head и функции потерь. Для удобства мы сгруппировали их по моделям:

YOLO26 против#

YOLO26 — новейшая модель Ultralytics со сквозным обнаружением без NMS, оптимизатором MuSGD и инференсом на CPU, который выполняется до 43% быстрее. Она оптимизирована для периферийного развёртывания и обеспечивает передовую точность.

YOLO11 против#

YOLO11 развивает успех предыдущих моделей, опираясь на передовые исследования. Она оснащена улучшенной архитектурой backbone и neck для более эффективного извлечения признаков и оптимизированной производительности.

YOLOv10 против#

Разработанная Университетом Цинхуа, YOLOv10 фокусируется на удалении этапа подавления немаксимумов (NMS) для снижения вариативности задержки, обеспечивая передовую производительность при меньших вычислительных затратах.

YOLOv9 против#

YOLOv9 представляет программируемую информацию о градиентах (PGI) и обобщённую эффективную сеть агрегации слоёв (GELAN) для решения проблемы потери информации в глубоких нейронных сетях.

YOLOv8 против#

Ultralytics YOLOv8 остаётся очень популярным выбором благодаря передовым архитектурам backbone и neck, а также безъякорной разделённой head, обеспечивающей оптимальный баланс точности и скорости.

YOLOv7 против#

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

YOLOv6 против#

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

YOLOv5 против#

Ultralytics YOLOv5 славится простотой использования, стабильностью и скоростью. Она остаётся надёжным выбором для проектов, требующих широкой совместимости с устройствами.

RT-DETR против#

RT-DETR (Трансформер обнаружения в реальном времени) использует vision-трансформеры для достижения высокой точности в режиме реального времени и превосходно понимает глобальный контекст.

PP-YOLOE+ против#

PP-YOLOE+, разработанная Baidu, использует обучение выравниванию задач (TAL) и раздельную головку, чтобы сбалансировать эффективность и точность.

DAMO-YOLO против#

DAMO-YOLO от Alibaba Group использует поиск архитектуры нейронной сети (NAS) и эффективную RepGFPN для максимальной точности на статичных бенчмарках.

YOLOX против#

YOLOX, разработанная Megvii, представляет собой развитие без якорей, известное раздельной головкой и стратегией назначения меток SimOTA.

EfficientDet против#

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

Этот указатель постоянно обновляется по мере выпуска новых моделей и уточнения результатов сравнительного тестирования. Рекомендуем изучить эти материалы, чтобы найти оптимальное решение для своего следующего проекта в области компьютерного зрения. Если тебе нужны решения корпоративного уровня с частной лицензией, посетите нашу страницу лицензирования. Удачного сравнения!

Участники
GLglenn-jocher15PDpderrenger1RIRizwanMunawar1

Комментарии