Начать

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.

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.

Управление данными и развёртыванием

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.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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.

Экспорт для максимальной скорости

Для максимальной производительности экспортируй модели в TensorRT на оборудовании NVIDIA или в OpenVINO для процессоров Intel. Дополнительная голова YOLO26 без NMS (nms=False) еще больше упрощает экспортированный конвейер.

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.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.