YOLO11 и YOLO26#

Стремительная эволюция компьютерного зрения постоянно расширяет границы скорости, точности и эффективности развертывания. В сфере обнаружения объектов в реальном времени Ultralytics неизменно задаёт стандарт. В этом техническом сравнении рассматривается переход от чрезвычайно успешной модели YOLO11 к передовой YOLO26, анализируются их архитектуры, показатели производительности и оптимальные сценарии развертывания.

Создаёшь ли ты системы доставки дронами или оптимизируешь глобальный конвейер умного производства, понимание нюансов различий между этими двумя моделями поможет тебе создавать надёжные и рассчитанные на будущее решения в области ИИ.

Линейка моделей и экосистема#

Обе модели используют преимущества комплексной экосистемы Ultralytics, для которой характерны простой API, постоянная поддержка и активное сообщество. Они обеспечивают непревзойдённую универсальность и из коробки поддерживают задачи обнаружения объектов, сегментации экземпляров, классификации изображений, оценки позы и ориентированных ограничивающих прямоугольников (OBB).

YOLO11: проверенный стандарт#

Выпущенная в конце 2024 года, YOLO11 усовершенствовала достижения предыдущих поколений, укрепив свою репутацию надёжной рабочей модели для производственных сред.

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

YOLO26: новый рубеж#

Представленная в начале 2026 года, YOLO26 знаменует смену парадигмы в периферийных вычислениях и сквозной архитектуре, обеспечивая значительное повышение скорости обработки и простоты интеграции.

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

Архитектурные инновации#

В то время как YOLO11 опирается на традиционные методы постобработки, которые обеспечивали работу компьютерного зрения на протяжении многих лет, YOLO26 внедряет несколько структурных прорывов, призванных устранить узкие места.

Сквозная архитектура без NMS#

Одно из наиболее значительных усовершенствований YOLO26 — нативная сквозная архитектура. Она устраняет постобработку с подавлением немаксимумов (NMS) — концепцию, впервые предложенную в YOLOv10. Отказ от NMS значительно упрощает конвейер развертывания и гарантирует стабильную задержку, что необходимо для приложений реального времени, таких как алгоритмы автономного вождения.

Удаление DFL для оптимизации периферийных устройств#

YOLO26 удаляет Distribution Focal Loss (DFL). Хотя DFL был полезен в YOLO11 для точной локализации, его удаление упрощает граф экспорта сети. Это изменение обеспечивает лучшую совместимость со слабыми аппаратными платформами, превращая YOLO26 в исключительно мощное решение для периферийных устройств, 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. Эта гибридная комбинация стохастического градиентного спуска (SGD) и Muon обеспечивает исключительно стабильные циклы обучения и сходится значительно быстрее стандартных оптимизаторов AdamW, использовавшихся в более старых архитектурах.

Продвинутые функции потерь#

YOLO26 включает ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment). Эта комбинация радикально улучшает обнаружение мелких и плотно расположенных объектов. Кроме того, YOLO26 представляет специализированные улучшения для конкретных задач: выделенный многомасштабный прототип для семантической сегментации, Residual Log-Likelihood Estimation (RLE) для сложного оценивания поз человека и специализированную функцию потерь по углам для уменьшения граничных проблем в задачах обнаружения ориентированных ограничивающих рамок (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 и обеспечивает до 43% более быстрый инференс на CPU по сравнению с предшественницей.

Как показано, YOLO26 Nano (YOLO26n) значительно повышает точность, одновременно сокращая время инференса на CPU с 56,1 до 38,9 мс при использовании ONNX Runtime.

Варианты использования и реальные приложения#

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

Периферийные вычисления и IoT#

Для приложений с ограничениями по энергопотреблению и аппаратным ресурсам, таких как мониторинг умного сельского хозяйства с помощью дронов или локальные системы охранной сигнализации, YOLO26 является бесспорным лидером. Удаление DFL и повышение скорости CPU на 43% позволяют запускать сложные модели компьютерного зрения на устройствах без выделенных GPU, сохраняя высокую частоту кадров.

Облачные и корпоративные решения#

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

Сложные многозадачные сценарии#

Если твоему проекту требуется предельно высокая точность на небольших объектах — например, при обнаружении дефектов на печатной плате или отслеживании удалённых транспортных средств на аэрофотоснимках, — реализация ProgLoss + STAL в YOLO26 заметно повышает полноту и точность в таких сложных пограничных случаях.

Эффективность обучения и требования к памяти#

Главным преимуществом фреймворка Ultralytics является его невероятно низкое потребление памяти при обучении. В отличие от массивных визуальных трансформеров, таких как RT-DETR, которые могут потреблять огромные объемы памяти CUDA, и YOLO11, и YOLO26 оптимизированы для эффективного обучения на оборудовании потребительского уровня.

Интеграция оптимизатора MuSGD в YOLO26 дополнительно усиливает это, гарантируя, что модель быстрее находит оптимальные веса, сокращая общие часы вычислений на GPU и расходы на облачные вычисления.

Ниже приведён простой пример, демонстрирующий, насколько легко обучать новейшую модель YOLO26 с помощью нативного API Python:

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 обнаружения объектов в реальном времени, изучение других моделей в документации Ultralytics может быть полезным. Для пользователей, привязанных к устаревшим средам, более ранние архитектуры, такие как YOLOv5, по-прежнему обеспечивают стабильную производительность. Для сценариев zero-shot, где невозможно заранее определить классы, YOLO-World предлагает обнаружение объектов с открытым словарём на основе текстовых подсказок.

Заключение#

Переход от YOLO11 к YOLO26 — это не просто инкрементальное обновление, а структурное переосмысление принципов работы моделей обнаружения объектов в реальном времени в производственной среде. Отказавшись от сложных этапов постобработки и оптимизировав выполнение с приоритетом периферийных устройств, YOLO26 выделяется как оптимальный выбор для современных разработчиков. Опираясь на надёжную экосистему Ultralytics и обширную документацию, переход на YOLO26 гарантирует более быстрое развертывание, стабильное обучение и точность уровня SOTA практически для любой задачи компьютерного зрения.