Начать

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
Почему стоит выбрать YOLO26?

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.

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 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.

YOLO11 и#

YOLO11 развивает успех предшественников. Улучшенная архитектура базовой сети и шеи обеспечивает более эффективное извлечение признаков.

YOLOv10 и#

Разработанная Университетом Цинхуа, YOLOv10 устраняет этап NMS, чтобы уменьшить разброс задержки, и обеспечивает высокую производительность при меньших вычислительных затратах.

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.

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.

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.

YOLOv6 и#

YOLOv6 от Meituan создана для промышленных приложений. В ней используются модули двунаправленной конкатенации (BiC) и стратегии обучения с помощью якорей.

YOLOv5 и#

Ultralytics YOLOv5 известна простотой использования, стабильностью и скоростью. Она остается надежным выбором для проектов, которым нужна широкая совместимость с устройствами.

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.

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#

Разработанная Alibaba Group модель DAMO-YOLO использует поиск нейросетевой архитектуры (NAS) и эффективную шею RepGFPN, чтобы сбалансировать задержку и точность.

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 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.