YOLO11 и YOLO26#

Быстрое развитие компьютерного зрения постоянно расширяет границы скорости, точности и эффективности развёртывания. В области обнаружения объектов в реальном времени Ultralytics неизменно задаёт стандарты. В этом техническом сравнении рассматривается переход от чрезвычайно успешной YOLO11 к передовой YOLO26: анализируются архитектуры, показатели производительности и оптимальные сценарии развёртывания.

Будь то создание систем доставки дронами или оптимизация глобального конвейера умного производства, понимание нюансов различий между этими моделями поможет тебе создавать надёжные ИИ-решения, рассчитанные на будущее.

Происхождение моделей и экосистема#

Обе модели используют преимущества комплексной экосистемы Ultralytics, для которой характерны простой API, постоянная поддержка и активное сообщество. Они отличаются исключительной универсальностью и сразу поддерживают обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и задачи с ориентированными ограничивающими рамками (OBB).

YOLO11: проверенный стандарт#

Выпущенная в конце 2024 года YOLO11 усовершенствовала достижения предыдущих поколений и закрепила за собой статус надёжной рабочей модели для промышленной эксплуатации.

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

YOLO26: новый рубеж#

Представленная в начале 2026 года YOLO26 меняет подход к периферийным вычислениям и сквозной архитектуре, значительно повышая скорость обработки и простоту интеграции.

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

Архитектурные инновации#

YOLO11 использует традиционные методы постобработки, которые годами применялись в компьютерном зрении, а YOLO26 предлагает ряд архитектурных прорывов, призванных устранить узкие места.

Сквозная архитектура без NMS#

Одно из важнейших улучшений YOLO26 — изначально сквозная архитектура. Её дополнительная голова one-to-one (nms=False) устраняет этап постобработки с подавлением немаксимумов (NMS) — подход, впервые реализованный в YOLOv10. Отказ от NMS значительно упрощает конвейер развёртывания и обеспечивает стабильную задержку, что особенно важно для приложений реального времени, например алгоритмов автономного вождения.

Удаление DFL для оптимизации периферийных устройств#

В YOLO26 удалена Distribution Focal Loss (DFL). В YOLO11 эта функция помогала точнее локализовать объекты, но её удаление упрощает граф сети при экспорте. Это изменение повышает совместимость с маломощным оборудованием, делая YOLO26 особенно эффективной на периферийных устройствах, таких как Raspberry Pi и NVIDIA Jetson.

Оптимизатор MuSGD#

Вдохновившись механизмами обучения больших языковых моделей (LLM), в частности Kimi K2 от Moonshot AI, YOLO26 использует революционный оптимизатор MuSGD. Этот гибрид стохастического градиентного спуска (SGD) и Muon обеспечивает исключительно стабильное обучение и сходится намного быстрее, чем оптимизаторы AdamW, используемые в более ранних архитектурах.

Продвинутые функции потерь#

В YOLO26 используется ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учётом малых объектов). Это сочетание значительно улучшает обнаружение маленьких и плотно расположенных объектов. Кроме того, в YOLO26 добавлены улучшения для отдельных задач: функция потерь семантической сегментации и многомасштабный модуль прототипов для сегментации экземпляров, оценка остаточного логарифма правдоподобия (RLE) для сложных задач оценки позы человека и специализированная функция потерь для углов, снижающая ошибки границ в задачах OBB.

Сравнение производительности#

При сравнении этих моделей выбор оборудования зависит от баланса между количеством параметров, вычислительной сложностью (FLOPs) и скоростью. YOLO26 специально оптимизирована для вывода на CPU и обеспечивает его ускорение до 43% по сравнению с предшественником.

Как показано выше, точность YOLO26 Nano (YOLO26n) значительно повышается, а время вывода на CPU сокращается с 56.1 до 38.9 мс 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 ограничениями по питанию и оборудованию, например мониторинга сельского хозяйства с помощью дронов или локальных систем охранной сигнализации, YOLO26 — бесспорный лидер. Удаление DFL и увеличение скорости CPU на 43% позволяют запускать сложные модели компьютерного зрения на устройствах без выделенных GPU, сохраняя высокую частоту кадров.

Облачные решения и корпоративный масштаб#

YOLO11 остаётся отличным выбором для корпоративных решений, где крупные серверные фермы уже оптимизированы для её тензорных структур. Она идеально подходит для облачной видеоаналитики и крупномасштабных конвейеров обработки медиаданных, глубоко интегрированных с её форматами выходных данных.

Сложные сценарии с несколькими задачами#

Если в твоём проекте нужна предельно точная работа с крошечными объектами — например, обнаружение дефектов на печатной плате или отслеживание удалённых транспортных средств на аэрофотоснимках, — реализация ProgLoss + STAL в YOLO26 заметно повышает полноту и точность в таких сложных случаях.

Эффективность обучения и требования к памяти#

Одно из главных преимуществ фреймворка Ultralytics — исключительно низкое потребление памяти при обучении. В отличие от крупных визуальных Transformer, таких как RT-DETR, которые могут занимать значительный объём памяти CUDA, YOLO11 и YOLO26 оптимизированы для эффективного обучения на обычном пользовательском оборудовании.

Оптимизатор MuSGD в YOLO26 дополнительно повышает эффективность: он помогает модели быстрее находить оптимальные веса, сокращая общее время вычислений на GPU и расходы на облачные вычисления.

Вот простой пример, показывающий, как легко обучить новейшую модель YOLO26 с помощью встроенного API Python:

from ultralytics import YOLO

# Инициализируй модель YOLO26 Nano
model = YOLO("yolo26n.pt")

# Обучи модель на датасете COCO8
# Выбор оптимизатора (MuSGD для длительного обучения) и управление памятью выполняются автоматически
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Быстро запусти проверку, чтобы оценить показатели mAP
metrics = model.val()

# Экспортируй обученную модель в ONNX для быстрого вывода на CPU
model.export(format="onnx")

Другие архитектуры#

Хотя YOLO26 представляет собой вершину обнаружения объектов в реальном времени, стоит также изучить другие модели в документации Ultralytics. Пользователям, работающим с устаревшими средами, по-прежнему подойдут более ранние архитектуры, например YOLOv5, обеспечивающая надёжную производительность. Для задач с классификацией без примеров, где нельзя заранее задать классы, YOLO-World предлагает обнаружение объектов с открытым словарём по текстовым запросам.

Заключение#

Переход от YOLO11 к YOLO26 — не просто очередное небольшое обновление, а структурное переосмысление работы моделей обнаружения объектов в реальном времени в производственной среде. Отказ от сложных этапов постобработки и оптимизация для периферийных устройств делают YOLO26 лучшим выбором для современных разработчиков. Благодаря надёжной экосистеме Ultralytics и подробной документации переход на YOLO26 обеспечит более быстрое развёртывание, стабильное обучение и точность уровня SOTA практически для любой задачи компьютерного зрения.