YOLO11 и YOLO26
Каждое поколение Ultralytics YOLO призвано повысить скорость, точность и эффективность развертывания для обнаружения объектов в реальном времени. В этом техническом сравнении рассматривается переход от широко используемой YOLO11 к актуальной YOLO26, анализируются их архитектуры, метрики производительности и оптимальные сценарии развертывания.
Будь то создание систем доставки дронами или оптимизация глобального конвейера умного производства, понимание различий между этими двумя моделями поможет тебе выбрать подходящую.
Происхождение моделей и экосистема#
Обе модели используют преимущества экосистемы Ultralytics: простой API, постоянную поддержку и активное сообщество. Из коробки обе модели поддерживают обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и задачи с ориентированными ограничивающими рамками (OBB), а YOLO26 дополнительно поддерживает семантическую сегментацию и оценку глубины.
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: следующее поколение#
Представленная в январе 2026 года YOLO26 ориентирована на развертывание на периферии и поддерживает дополнительный сквозной инференс, повышая скорость на CPU и упрощая интеграцию.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2026-01-14
- GitHub: https://github.com/ultralytics/ultralytics
- Документация: Документация YOLO26
YOLO11 и YOLO26 полностью интегрированы с платформой Ultralytics, которая предлагает процессы без кода для разметки датасетов, обучения в облаке и мониторинга развернутых моделей.
Архитектурные инновации#
YOLO11 использует традиционные методы постобработки, которые много лет применяются в компьютерном зрении, а YOLO26 вносит несколько структурных изменений, устраняющих узкие места при развертывании.
Сквозная архитектура без NMS#
Одно из самых значительных улучшений YOLO26 — изначально сквозная архитектура. Опциональная голова один-к-одному (nms=False) устраняет этап постобработки — подавление немаксимумов (NMS), концепцию которого в модели YOLO внедрила YOLOv10. Отказ от NMS упрощает конвейер развертывания и обеспечивает стабильную задержку, что важно для приложений реального времени, например алгоритмов автономного вождения.
Удаление DFL для оптимизации периферийных устройств#
YOLO26 отказывается от Distribution Focal Loss (DFL). В YOLO11 DFL помогала точной локализации, но ее удаление упрощает граф экспорта сети. Это повышает совместимость с маломощным оборудованием и делает YOLO26 подходящей для периферийных устройств, таких как Raspberry Pi и NVIDIA Jetson.
Оптимизатор MuSGD#
Вдохновленная методами обучения больших языковых моделей (LLM), в частности Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD. Этот гибрид стохастического градиентного спуска (SGD) и Muon обеспечивает более стабильное обучение и быструю сходимость; с помощью optimizer=auto Ultralytics выбирает MuSGD для длительных циклов обучения.
Функции потерь и назначение меток#
В YOLO26 реализованы ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учетом малых объектов). Это сочетание улучшает обнаружение небольших и плотно расположенных объектов. Кроме того, YOLO26 предлагает улучшения для конкретных задач: функцию потерь для семантической сегментации и многомасштабный прототипный модуль для сегментации экземпляров, Residual Log-Likelihood Estimation (RLE) для оценки позы и специализированную функцию потерь для углов, смягчающую проблемы на границах при обнаружении OBB.
Сравнение производительности#
При выборе оборудования важно учитывать баланс точности (mAP), количества параметров, вычислительной сложности (FLOPs) и скорости. YOLO26 специально ориентирована на инференс на CPU: YOLO26n работает на CPU до 43% быстрее, чем YOLO11n.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
YOLO26n превосходит YOLO11n на 1,4 mAP (40,9 против 39,5) и сокращает время инференса на CPU с 56,1 до 38,9 мс при использовании ONNX Runtime. YOLO26 точнее во всех размерных категориях; на уровнях m, l и x YOLO11 остается быстрее на CPU, а задержка TensorRT на T4 у двух семейств примерно одинакова.
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 энергопотреблению и оборудованию, например мониторинга сельского хозяйства с дронов или локальных систем охранной сигнализации, лучше подойдет YOLO26. Удаление DFL и ускорение инференса на CPU до 43% (YOLO26n против YOLO11n) позволяют запускать сложные модели компьютерного зрения на устройствах без выделенных GPU и сохранять высокую частоту кадров.
Облачные решения и корпоративный масштаб#
YOLO11 остается хорошим выбором для существующих корпоративных развертываний, построенных на ее основе, например облачной видеоаналитики и крупных конвейеров обработки медиаданных, уже интегрированных с ее форматами выходных данных.
Обнаружение мелких объектов#
Если проекту нужна высокая точность при обнаружении небольших объектов — например, дефектов на печатной плате или удаленных автомобилей на аэроснимках, — реализация ProgLoss + STAL в YOLO26 повышает полноту и точность в таких сложных случаях.
Эффективность обучения и требования к памяти#
Одно из главных преимуществ фреймворка Ultralytics — низкое потребление памяти во время обучения. В отличие от детекторов на базе трансформеров, таких как RT-DETR, которые могут потреблять много памяти CUDA, YOLO11 и YOLO26 эффективно обучаются на оборудовании потребительского класса.
Интеграция оптимизатора MuSGD в YOLO26 дополнительно ускоряет сходимость, сокращая общее количество часов вычислений на GPU и расходы на облачные вычисления.
Вот простой пример обучения YOLO26 с помощью 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#
YOLO26 — рекомендуемая отправная точка, но другие модели из документации Ultralytics могут лучше подойти для конкретных задач. Если ты ограничен устаревшей средой, более ранние архитектуры, например YOLOv5, по-прежнему надежно работают. Если нужны возможности zero-shot и нельзя заранее определить классы, YOLO-World обеспечивает обнаружение объектов с открытым словарем по текстовым запросам.
Заключение#
Переход с YOLO11 на YOLO26 — это больше, чем очередное небольшое обновление: он меняет способ использования моделей обнаружения в реальном времени в производственной среде. Благодаря дополнительному инференсу без NMS и оптимизациям с приоритетом периферийных устройств YOLO26 рекомендуется для новых проектов. Переход на YOLO26 при поддержке документации Ultralytics упрощает развертывание, повышает стабильность обучения и улучшает точность во всех поддерживаемых задачах компьютерного зрения.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.