YOLO11 против YOLO26#

Быстрое развитие компьютерного зрения постоянно раздвигает границы скорости, точности и эффективности развертывания. В сфере детектирования объектов в реальном времени Ultralytics неизменно задает стандарт. В этом техническом сравнении рассматривается переход от высокоуспешной YOLO11 к передовой YOLO26, а также анализируются их архитектуры, показатели производительности и идеальные сценарии развертывания.

Строишь ли ты системы доставки с помощью дронов или оптимизируешь глобальный конвейер умного производства, понимание тонких различий между этими двумя моделями поможет тебе создать надежные ИИ-решения, рассчитанные на будущее.

Линейка моделей и экосистема#

Обе модели используют преимущества комплексной экосистемы Ultralytics, отличающейся простым API, непрерывной поддержкой и активным сообществом. Они предлагают непревзойденную универсальность, из коробки поддерживая задачи обнаружения объектов, сегментации экземпляров, классификации изображений, оценки позы и ориентированных ограничивающих рамок (OBB).

YOLO11: Устоявшийся стандарт#

Выпущенная в конце 2024 года, YOLO11 усовершенствовала достижения предыдущих поколений, закрепив за собой статус надежной рабочей лошадки для производственных сред.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: YOLO11 Documentation

Узнай больше о YOLO11

YOLO26: Новый рубеж#

Представленная в начале 2026 года, YOLO26 знаменует собой смену парадигмы в периферийных вычислениях (edge computing) и архитектуре end-to-end, обеспечивая значительные улучшения в скорости обработки и простоте интеграции.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: Документация YOLO26

Узнай больше о YOLO26

Архитектурные инновации#

В то время как YOLO11 полагается на традиционные методы постобработки, которые годами лежали в основе компьютерного зрения, YOLO26 внедряет ряд структурных прорывов, призванных устранить «узкие места».

Сквозной дизайн без NMS#

Одно из самых значительных обновлений в YOLO26 — это ее изначально сквозная архитектура. Она исключает постобработку неразрушающего подавления (NMS) — концепцию, впервые опробованную в YOLOv10. Отказ от NMS радикально упрощает конвейер развертывания и гарантирует стабильную задержку, что крайне важно для таких приложений реального времени, как алгоритмы автономного вождения.

Удаление DFL для оптимизации на периферийных устройствах#

YOLO26 удаляет фокальную потерю распределения (DFL). Хотя DFL была полезна в YOLO11 для мелкозернистой локализации, ее удаление упрощает граф экспорта сети. Эта модификация обеспечивает повышенную совместимость с маломощным железом, превращая YOLO26 в абсолютную электростанцию на периферийных устройствах, таких как Raspberry Pi или NVIDIA Jetson.

Оптимизатор MuSGD#

Черпая вдохновение из механизмов обучения больших языковых моделей (LLM), в частности Kimi K2 от Moonshot AI, YOLO26 использует революционный оптимизатор MuSGD Optimizer. Этот гибрид стохастического градиентного спуска (SGD) и Muon обеспечивает удивительно стабильные запуски обучения, сходясь гораздо быстрее стандартных оптимизаторов AdamW, используемых в старых архитектурах.

Продвинутые функции потерь#

YOLO26 включает в себя ProgLoss + STAL (Progressive Loss and Scale-Aware Task Alignment Learning). Эта комбинация кардинально улучшает обнаружение мелких и плотно расположенных объектов. Кроме того, YOLO26 вводит улучшения для специфических задач: выделенный многомасштабный прототип для семантической сегментации, Residual Log-Likelihood Estimation (RLE) для сложных задач оценки позы человека и специализированную функцию потерь по углу для снижения граничных проблем при решении задач OBB.

Сравнение производительности#

При оценке этих моделей выбор оборудования определяется балансом между количеством параметров, вычислительной сложностью (FLOPs) и скоростью. YOLO26 специально ориентирована на скорость инференса на CPU, обеспечивая до 43% более быстрый инференс на CPU по сравнению с предшественницей.

Как демонстрируется, YOLO26 Nano (YOLO26n) существенно увеличивает точность, сокращая время инференса на CPU с 56.1мс до 38.9мс при использовании ONNX Runtime.

Сценарии использования и реальные приложения#

Выбор между YOLO11 и YOLO26 во многом зависит от твоей инфраструктуры и целей проекта.

Периферийные вычисления и IoT#

Для приложений с ограниченными ресурсами питания и железа, таких как мониторинг умного сельского хозяйства с помощью дронов или локальные охранные сигнализации, YOLO26 является бесспорным лидером. Удаление DFL и 43-процентный прирост скорости CPU означают, что ты можешь запускать сложные модели компьютерного зрения на устройствах без выделенных GPU, сохраняя при этом высокую частоту кадров.

Облачные решения и корпоративный масштаб#

YOLO11 остается отличным выбором для корпоративных решений, где массивные серверные фермы уже оптимизированы под ее тензорные структуры. Она идеально подходит для облачной видеоаналитики и крупномасштабных конвейеров обработки медиаданных, которые уже глубоко интегрированы с ее специфическими форматами вывода.

Комплексные многозадачные проекты#

Если твой проект требует высокой точности на мелких объектах — например, обнаружения дефектов на печатной плате или отслеживания удаленных транспортных средств в аэрофотоснимках — реализация ProgLoss + STAL в YOLO26 обеспечивает заметный прирост полноты и точности для этих сложных краевых случаев.

Эффективность обучения и требования к памяти#

Главное преимущество фреймворка Ultralytics — невероятно низкое потребление памяти во время обучения. В отличие от массивных трансформеров зрения, таких как RT-DETR или более старая YOLOv8, которые могут потреблять огромное количество памяти CUDA, и YOLO11, и YOLO26 оптимизированы для эффективного обучения на потребительском железе.

Интеграция оптимизатора MuSGD в YOLO26 дополнительно усиливает это, гарантируя более быстрое нахождение моделью оптимальных весов, сокращая общие часы вычислений GPU и затраты на облачные вычисления.

Вот простой пример, демонстрирующий, насколько легко обучить новейшую модель YOLO26, используя встроенный Python API:

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The MuSGD optimizer and efficient memory management are handled automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run a quick validation to verify the mAP metrics
metrics = model.val()

# Export the trained model to ONNX for fast CPU inference
model.export(format="onnx")

Изучение альтернативных архитектур#

Хотя YOLO26 представляет собой вершину детектирования в реальном времени, изучение других моделей в документации Ultralytics может быть полезным. Для пользователей, привязанных к устаревшим средам, более ранние архитектуры вроде YOLOv5 по-прежнему обеспечивают надежную производительность. Для возможностей zero-shot, когда заранее определить классы невозможно, YOLO-World предлагает обнаружение с открытым словарем на базе текстовых промптов.

Заключение#

Переход от YOLO11 к YOLO26 — это не просто инкрементальное обновление; это структурное переосмысление того, как модели обнаружения объектов в реальном времени работают в продакшене. Отказ от сложных шагов постобработки и оптимизация под периферийное выполнение делают YOLO26 выдающимся выбором для современных разработчиков. Опираясь на надежную экосистему Ultralytics и исчерпывающую документацию, обновление до YOLO26 гарантирует более быстрое развертывание, стабильное обучение и точность SOTA практически для любой задачи компьютерного зрения.