YOLO26 и RTDETRv2#

Специалисты по компьютерному зрению часто выбирают между оптимизированными сверточными нейронными сетями (CNNs) и более новыми архитектурами на основе трансформеров. Два ярких примера — Ultralytics YOLO26 и RTDETRv2 от Baidu. Обе модели предназначены для обнаружения объектов в реальном времени, но используют разные архитектурные подходы.

В этом руководстве сравниваются их структуры, метрики производительности и оптимальные сценарии применения, чтобы помочь тебе выбрать основу для следующего проекта в области компьютерного зрения.

Ultralytics YOLO26: компьютерное зрение с приоритетом периферийных устройств#

Разработанная Ultralytics и выпущенная в январе 2026 года, YOLO26 — новейшая модель YOLO и рекомендуемый выбор для новых проектов. Она создана для высокой скорости и точности, а также простого развёртывания в облаке и на периферийных устройствах.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: Репозиторий Ultralytics
• Документация: Официальная документация YOLO26

Архитектурные инновации и преимущества#

В YOLO26 появились несколько особенностей, которые отличают её не только от моделей на основе трансформеров, но и от предыдущих версий, таких как YOLO11:

• Сквозная архитектура без NMS: Опциональная голова один-к-одному (nms=False) в YOLO26 пропускает традиционное подавление немаксимумов (NMS) при постобработке. Этот сквозной подход, внедренный в модели YOLO с выходом YOLOv10, уменьшает вариативность задержки инференса и упрощает логику развертывания, особенно на периферийном оборудовании.
• Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, поэтому подходит для устройств без выделенных GPU, например Raspberry Pi.
• Удаление DFL: удаление Distribution Focal Loss (DFL) упрощает экспорт и повышает совместимость с маломощными периферийными устройствами.
• Оптимизатор MuSGD: перенося идеи обучения больших языковых моделей (LLM) в компьютерное зрение, YOLO26 использует оптимизатор MuSGD. Этот гибрид SGD и Muon, вдохновлённый моделью Kimi K2 от Moonshot AI, обеспечивает более стабильное обучение и быструю сходимость.
• ProgLoss + STAL: Progressive Loss и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов. Это важно для отраслей, использующих анализ аэрофотоснимков и датчики интернета вещей (IoT).

Универсальность для задач компьютерного зрения#

В отличие от моделей, ограниченных рамками объектов, YOLO26 поддерживает обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и обнаружение OBB. В модель также включены улучшения для отдельных задач: функция потерь для семантической сегментации и многомасштабный прототип для сегментации экземпляров, оценка остаточного логарифмического правдоподобия (RLE) для оценки позы и специальная функция потерь для углов, устраняющая проблемы на границах в задачах с ориентированными рамками объектов (OBB).

RTDETRv2: усовершенствование трансформеров для обнаружения объектов в реальном времени#

RTDETRv2, разработанная исследователями Baidu, построена на основе исходного фреймворка RT-DETR. Её цель — показать, что трансформеры обнаружения (DETRs) могут конкурировать с высокооптимизированными CNN по скорости и точности, а иногда и превосходить их в сценариях реального времени.

• Авторы: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang и Yi Liu
• Организация: Baidu
• Дата: 2024-07-24
• arXiv: 2407.17140
• GitHub: Реализация RTDETRv2 на PyTorch
• Документация: README RTDETRv2

Архитектура и возможности#

RTDETRv2 использует архитектуру на основе трансформеров, которая обрабатывает изображения иначе, чем CNN: механизм self-attention помогает учитывать глобальный контекст.

• Bag-of-Freebies: В версии v2 представлен ряд оптимизированных методов обучения (bag-of-freebies), повышающих исходную производительность без увеличения затрат на инференс.
• Учёт глобального контекста: благодаря слоям внимания трансформера RTDETRv2 справляется со сложными сценами, где глобальный контекст необходим для различения перекрывающихся или частично заслонённых объектов.

Узнай больше о RTDETRv2

Ограничения моделей Transformer#

Модели обнаружения на основе трансформеров, такие как RTDETRv2, часто трудно внедрять на практике. Во время обучения им обычно требуется больше памяти CUDA, чем эффективным CNN, а операции слоёв внимания могут усложнить интеграцию в разнообразные периферийные среды. Для развёртывания при ограниченных ресурсах CNN, например YOLO26, обычно проще внедрить.

Сравнение производительности#

В таблице ниже сравниваются точность (mAP), скорость и размер моделей на валидационной выборке COCO.

При каждом сопоставимом размере YOLO26 показывает более высокий mAP и меньшую задержку TensorRT, чем RTDETRv2. YOLO26x достигает 57.5 mAP при меньшей задержке (11.8 мс на TensorRT) и меньшем числе параметров (55.7M), чем RTDETRv2-x (54.3 mAP, 15.03 мс, 76M параметров).

Сценарии использования и рекомендации#

Выбор между YOLO26 и RT-DETR зависит от требований конкретного проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLO26#

YOLO26 — отличный выбор для таких задач:

• Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
• Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Когда выбрать RT-DETR#

RT-DETR рекомендуется для:

• Исследований обнаружения на основе Transformer: Проектов, в которых изучаются механизмы внимания и архитектуры Transformer для сквозного обнаружения объектов без NMS.
• Сценариев с высокой точностью и гибкими требованиями к задержке: Приложений, где точность обнаружения важнее всего, а немного большая задержка инференса допустима.
• Обнаружения крупных объектов: Сцен, в которых преобладают объекты среднего и крупного размера, а механизм глобального внимания Transformer даёт естественное преимущество.

Преимущества Ultralytics#

Выбор подходящей архитектуры — лишь часть задачи: окружающая экосистема определяет, насколько быстро команда сможет перейти от прототипа к производству.

Удобство использования и эффективность обучения#

Python API Ultralytics позволяет писать короткий код обучения без многословного шаблонного кода. YOLO26 также обычно использует меньше видеопамяти GPU, чем требовательные к памяти слои внимания RTDETRv2, что позволяет увеличивать размер пакета на потребительском оборудовании.

from ultralytics import YOLO

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

# Обучение на наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Выполнение высокоскоростного инференса без NMS
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируй в ONNX для развертывания
model.export(format="onnx")

Хорошо поддерживаемая экосистема#

Модели Ultralytics поставляются с активно поддерживаемым фреймворком, интегрированным с инструментами отслеживания экспериментов, такими как Weights & Biases и Comet. Для работы без кода платформа Ultralytics предлагает облачное обучение, управление наборами данных и развёртывание моделей.

Баланс производительности#

YOLO26 сочетает скорость инференса с точностью. Опциональный инференс без NMS, оптимизатор MuSGD и ProgLoss + STAL позволяют получить точную на небольших объектах и быструю в производстве модель, которая станет отличным выбором по умолчанию для большинства приложений компьютерного зрения.

Другие модели в экосистеме#

Разработчикам, которые поддерживают существующие конвейеры, стоит также рассмотреть YOLOv8 для сложившейся корпоративной среды или узнать, как YOLO26 сравнивается с EfficientDet. Для новых проектов рекомендуется YOLO26.