Сравнение моделей
Выбор подходящей архитектуры нейросети — основа любого успешного проекта в области компьютерного зрения. В центре сравнения моделей Ultralytics собраны подробные технические анализы и тесты производительности, которые показывают компромиссы между новейшей Ultralytics YOLO26 и другими ведущими архитектурами, такими как YOLO11, YOLOv10, RT-DETR и EfficientDet.
Нужно ли твоему приложению обеспечить миллисекундную задержку периферийного ИИ или высокую точность для медицинской визуализации — это руководство предоставляет данные, необходимые для обоснованного выбора. Модели оцениваются по средней точности (mAP), скорости инференса, эффективности использования параметров и простоте развертывания.
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 представлены основные показатели производительности, чтобы ты мог быстро оценить компромиссы между разными моделями. Понимание этих показателей необходимо для выбора модели, соответствующей ограничениям твоей среды развертывания.
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#
Обнаружение объектов быстро развивается. Хотя старые модели остаются актуальными для уже существующих развертываний, новые архитектуры продолжают повышать скорость и точность.
Ultralytics YOLO26#
Выпущенная в январе 2026 года YOLO26 — новейшая модель Ultralytics и рекомендуемая отправная точка для всех новых проектов. В ней реализованы архитектурные новшества, в том числе опциональная сквозная архитектура без NMS (nms=False), устраняющая необходимость в постобработке с помощью подавления немаксимумов (NMS), что обеспечивает более быстрый и предсказуемый инференс. YOLO26n работает на 43% быстрее на CPU, чем YOLO11n, поэтому YOLO26 хорошо подходит для периферийных устройств.
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
YOLO26 сочетает эффективность CNN со сквозными возможностями, характерными для Transformer. Модель поддерживает все задачи Ultralytics (обнаружение объектов, сегментацию экземпляров и семантическую сегментацию, оценку глубины, классификацию, оценку позы и OBB), при этом она компактнее, быстрее и проще в развертывании, чем модели предыдущих поколений.
Ultralytics YOLO11#
YOLO11 остается высокоэффективной моделью: YOLO11m использует на 22% меньше параметров, чем YOLOv8m, и при этом обеспечивает более высокую точность обнаружения. Модель полностью поддерживается и рекомендуется пользователям, которым нужна проверенная стабильность или которые уже используют конвейеры YOLO11.
Модели сообщества: о YOLO12 и YOLO13#
В обсуждениях сообщества или репозиториях тебе могут встретиться упоминания YOLO12 или YOLO13.
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 приведенные ниже технические сравнения, чтобы разобраться в конкретных различиях архитектур, например в выборе базовой сети, устройстве головы и функциях потерь. Сравнения сгруппированы по моделям:
YOLO26 и#
YOLO26 — новейшая модель Ultralytics. Она обеспечивает сквозное обнаружение без NMS, использует оптимизатор MuSGD, а инференс YOLO26n на CPU выполняется до 43% быстрее, чем у YOLO11n. Модель оптимизирована для периферийного развертывания и обеспечивает высокую точность.
- YOLO26 против YOLO11
- YOLO26 против YOLOv10
- YOLO26 против YOLOv9
- YOLO26 против YOLOv8
- YOLO26 против YOLOv7
- YOLO26 против YOLOv6-3.0
- YOLO26 против YOLOv5
- YOLO26 против PP-YOLOE+
- YOLO26 против DAMO-YOLO
- YOLO26 против YOLOX
- YOLO26 против RT-DETR
- YOLO26 против EfficientDet
YOLO11 и#
YOLO11 развивает успех предшественников. Улучшенная архитектура базовой сети и шеи обеспечивает более эффективное извлечение признаков.
- YOLO11 против YOLO26
- YOLO11 против YOLOv10
- YOLO11 против YOLOv9
- YOLO11 против YOLOv8
- YOLO11 против YOLOv7
- YOLO11 против YOLOv6-3.0
- YOLO11 против YOLOv5
- YOLO11 против PP-YOLOE+
- YOLO11 против DAMO-YOLO
- YOLO11 против YOLOX
- YOLO11 против RT-DETR
- YOLO11 против EfficientDet
YOLOv10 и#
Разработанная Университетом Цинхуа, YOLOv10 устраняет этап NMS, чтобы уменьшить разброс задержки, и обеспечивает высокую производительность при меньших вычислительных затратах.
- YOLOv10 против YOLO26
- YOLOv10 против YOLO11
- YOLOv10 против YOLOv9
- YOLOv10 против YOLOv8
- YOLOv10 против YOLOv7
- YOLOv10 против YOLOv6-3.0
- YOLOv10 против YOLOv5
- YOLOv10 против PP-YOLOE+
- YOLOv10 против DAMO-YOLO
- YOLOv10 против YOLOX
- YOLOv10 против RT-DETR
- YOLOv10 против EfficientDet
YOLOv9 и#
В YOLOv9 представлены программируемая информация о градиенте (PGI) и обобщенная эффективная сеть агрегации слоев (GELAN), призванные решить проблему потери информации в глубоких нейросетях.
- YOLOv9 против YOLO26
- YOLOv9 против YOLO11
- YOLOv9 против YOLOv10
- YOLOv9 против YOLOv8
- YOLOv9 против YOLOv7
- YOLOv9 против YOLOv6-3.0
- YOLOv9 против YOLOv5
- YOLOv9 против PP-YOLOE+
- YOLOv9 против DAMO-YOLO
- YOLOv9 против YOLOX
- YOLOv9 против RT-DETR
- YOLOv9 против EfficientDet
YOLOv8 и#
Ultralytics YOLOv8 остается очень популярным выбором. В ее архитектуре продвинутая базовая сеть и шея сочетаются с разделенной головой без якорей, обеспечивая удачный баланс точности и скорости.
- YOLOv8 против YOLO26
- YOLOv8 против YOLO11
- YOLOv8 против YOLOv10
- YOLOv8 против YOLOv9
- YOLOv8 против YOLOv7
- YOLOv8 против YOLOv6-3.0
- YOLOv8 против YOLOv5
- YOLOv8 против PP-YOLOE+
- YOLOv8 против DAMO-YOLO
- YOLOv8 против YOLOX
- YOLOv8 против RT-DETR
- YOLOv8 против EfficientDet
YOLOv7 и#
В YOLOv7 появились «бесплатные приемы, которые можно обучать», и репараметризация модели; основной упор сделан на оптимизацию процесса обучения без увеличения затрат на инференс.
- YOLOv7 против YOLO26
- YOLOv7 против YOLO11
- YOLOv7 против YOLOv10
- YOLOv7 против YOLOv9
- YOLOv7 против YOLOv8
- YOLOv7 против YOLOv6-3.0
- YOLOv7 против YOLOv5
- YOLOv7 против PP-YOLOE+
- YOLOv7 против DAMO-YOLO
- YOLOv7 против YOLOX
- YOLOv7 против RT-DETR
- YOLOv7 против EfficientDet
YOLOv6 и#
YOLOv6 от Meituan создана для промышленных приложений. В ней используются модули двунаправленной конкатенации (BiC) и стратегии обучения с помощью якорей.
- YOLOv6-3.0 против YOLO26
- YOLOv6-3.0 против YOLO11
- YOLOv6-3.0 против YOLOv10
- YOLOv6-3.0 против YOLOv9
- YOLOv6-3.0 против YOLOv8
- YOLOv6-3.0 против YOLOv7
- YOLOv6-3.0 против YOLOv5
- YOLOv6-3.0 против PP-YOLOE+
- YOLOv6-3.0 против DAMO-YOLO
- YOLOv6-3.0 против YOLOX
- YOLOv6-3.0 против RT-DETR
- YOLOv6-3.0 против EfficientDet
YOLOv5 и#
Ultralytics YOLOv5 известна простотой использования, стабильностью и скоростью. Она остается надежным выбором для проектов, которым нужна широкая совместимость с устройствами.
- YOLOv5 против YOLO26
- YOLOv5 против YOLO11
- YOLOv5 против YOLOv10
- YOLOv5 против YOLOv9
- YOLOv5 против YOLOv8
- YOLOv5 против YOLOv7
- YOLOv5 против YOLOv6-3.0
- YOLOv5 против PP-YOLOE+
- YOLOv5 против DAMO-YOLO
- YOLOv5 против YOLOX
- YOLOv5 против RT-DETR
- YOLOv5 против EfficientDet
RT-DETR и#
RT-DETR (Transformer для обнаружения объектов в реальном времени) сочетает базовую сеть CNN с Transformer-кодировщиком-декодировщиком, обеспечивая высокую точность и работу в реальном времени, а также эффективно учитывая глобальный контекст.
- RT-DETR против YOLO26
- RT-DETR против YOLO11
- RT-DETR против YOLOv10
- RT-DETR против YOLOv9
- RT-DETR против YOLOv8
- RT-DETR против YOLOv7
- RT-DETR против YOLOv6-3.0
- RT-DETR против YOLOv5
- RT-DETR против PP-YOLOE+
- RT-DETR против DAMO-YOLO
- RT-DETR против YOLOX
- RT-DETR против EfficientDet
PP-YOLOE+ против#
PP-YOLOE+, разработанная Baidu, использует обучение согласованию задач (TAL) и разделенную голову, чтобы найти баланс между эффективностью и точностью.
- PP-YOLOE+ против YOLO26
- PP-YOLOE+ против YOLO11
- PP-YOLOE+ против YOLOv10
- PP-YOLOE+ против YOLOv9
- PP-YOLOE+ против YOLOv8
- PP-YOLOE+ против YOLOv7
- PP-YOLOE+ против YOLOv6-3.0
- PP-YOLOE+ против YOLOv5
- PP-YOLOE+ против DAMO-YOLO
- PP-YOLOE+ против YOLOX
- PP-YOLOE+ против RT-DETR
- PP-YOLOE+ против EfficientDet
DAMO-YOLO против#
Разработанная Alibaba Group модель DAMO-YOLO использует поиск нейросетевой архитектуры (NAS) и эффективную шею RepGFPN, чтобы сбалансировать задержку и точность.
- DAMO-YOLO против YOLO26
- DAMO-YOLO против YOLO11
- DAMO-YOLO против YOLOv10
- DAMO-YOLO против YOLOv9
- DAMO-YOLO против YOLOv8
- DAMO-YOLO против YOLOv7
- DAMO-YOLO против YOLOv6-3.0
- DAMO-YOLO против YOLOv5
- DAMO-YOLO против PP-YOLOE+
- DAMO-YOLO против YOLOX
- DAMO-YOLO против RT-DETR
- DAMO-YOLO против EfficientDet
YOLOX против#
YOLOX, разработанная Megvii, — это безъякорная модель с разделенной головой и стратегией назначения меток SimOTA.
- YOLOX против YOLO26
- YOLOX против YOLO11
- YOLOX против YOLOv10
- YOLOX против YOLOv9
- YOLOX против YOLOv8
- YOLOX против YOLOv7
- YOLOX против YOLOv6-3.0
- YOLOX против YOLOv5
- YOLOX против PP-YOLOE+
- YOLOX против DAMO-YOLO
- YOLOX против RT-DETR
- YOLOX против EfficientDet
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.
- EfficientDet против YOLO26
- EfficientDet против YOLO11
- EfficientDet против YOLOv10
- EfficientDet против YOLOv9
- EfficientDet против YOLOv8
- EfficientDet против YOLOv7
- EfficientDet против YOLOv6-3.0
- EfficientDet против YOLOv5
- EfficientDet против PP-YOLOE+
- EfficientDet против DAMO-YOLO
- EfficientDet против YOLOX
- EfficientDet против RT-DETR
Этот индекс обновляется по мере выпуска новых моделей и уточнения результатов тестирования. О лицензировании для корпоративных развертываний, требующих частной лицензии, читай на странице лицензирования Ultralytics.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.