YOLO26 против YOLO11#

При создании передовых систем компьютерного зрения критически важно выбрать подходящую модель, чтобы сбалансировать точность, задержку и эффективность использования ресурсов. В стремительно развивающейся сфере искусственного интеллекта Ultralytics продолжает расширять границы возможного. Это подробное техническое сравнение рассматривает переход от исключительно успешной модели YOLO11 к революционной новой YOLO26, предоставляя инженерам и исследователям в области ИИ сведения, необходимые для обоснованного выбора архитектуры.

Происхождение моделей и метаданные#

Обе модели разработаны Ultralytics, но они представляют разные парадигмы в развитии обнаружения объектов и многозадачных моделей компьютерного зрения.

Сведения о YOLO26:

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

Сведения о YOLO11:

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: Репозиторий Ultralytics
• Документация: Официальная документация YOLO11

Архитектурные различия и инновации#

Переход от YOLO11 к YOLO26 связан с фундаментальными изменениями как в архитектуре модели, так и в базовом процессе обучения. YOLO11 сформировала надёжную основу для обнаружения объектов и многозадачного обучения, тогда как YOLO26 полностью перерабатывает конвейер развёртывания для периферийных вычислений.

Сквозная архитектура без NMS#

Одно из наиболее значимых улучшений YOLO26 — нативная сквозная архитектура. В отличие от YOLO11, которая использует постобработку подавления немаксимумов (NMS) для фильтрации перекрывающихся ограничивающих рамок, YOLO26 полностью устраняет этот этап. Эта концепция, впервые реализованная в YOLOv10, значительно снижает вариативность задержки и упрощает логику развёртывания на различных периферийных устройствах.

Удаление DFL для повышения эффективности на периферийных устройствах#

YOLO11 использует распределённую фокальную функцию потерь (DFL) для уточнения оценок ограничивающих рамок. Однако DFL опирается на сложные операции softmax, которые часто плохо поддерживаются маломощными периферийными ускорителями. YOLO26 успешно отказывается от DFL без потери точности. Такое упрощение архитектуры значительно повышает совместимость со встроенными системами и позволяет YOLO26 выполнять вывод на CPU до 43% быстрее, чем предшественница.

Оптимизатор MuSGD#

Стабильность и скорость обучения имеют первостепенное значение. YOLO26 представляет оптимизатор MuSGD — гибрид стохастического градиентного спуска (SGD) и Muon, в значительной степени вдохновлённый инновациями в обучении LLM от Kimi K2 компании Moonshot AI. Этот оптимизатор переносит стабильность обучения языковых моделей в компьютерное зрение, обеспечивая более быструю сходимость и уменьшая объём памяти, необходимый во время обучения, по сравнению с ресурсоёмкими альтернативами на основе Transformer.

ProgLoss и STAL#

Для исследователей, работающих с aerial imagery или приложениями для дронов, обнаружение мелких объектов всегда было исторической сложностью. YOLO26 представляет ProgLoss в сочетании с STAL (Small-Target-Aware Label Assignment), обеспечивая заметные улучшения в распознавании мелких объектов по сравнению с YOLO11.

Сравнение производительности и метрик#

При непосредственном сравнении моделей YOLO26 демонстрирует явное превосходство по точности и эффективности на периферийных устройствах, сохраняя при этом исключительно низкие требования к памяти, характерные для экосистемы Ultralytics.

Примечание: нано-модель YOLO26 (YOLO26n) демонстрирует улучшение скорости работы на CPU примерно на ~31% по сравнению с YOLO11n (38,9 мс против 56,1 мс), подчёркивая философию проектирования YOLO26 с приоритетом периферийных устройств.

Универсальность в задачах компьютерного зрения#

Обе модели используют преимущества активно поддерживаемой экосистемы Ultralytics, обеспечивая непревзойдённое удобство благодаря унифицированному API Python. Это не просто детекторы объектов, а мощные многозадачные системы. Однако YOLO26 включает несколько улучшений для конкретных задач:

• Сегментация экземпляров: YOLO26 использует улучшенную функцию потерь семантической сегментации и прототипирование в нескольких масштабах, создавая более чёткие границы масок, чем YOLO11. Подробнее о рабочих процессах сегментации.
• Оценка позы: Благодаря интеграции оценки остаточного логарифмического правдоподобия (RLE) YOLO26 значительно повышает точность ключевых точек в сложных позах человека. Узнай больше о возможностях оценки позы.
• Ориентированные ограничивающие рамки (OBB): Специализированная функция потерь угла устраняет исторические проблемы разрывов границ, делая YOLO26 исключительно надёжной при обнаружении повёрнутых объектов на спутниковых изображениях. Подробнее о задачах OBB.
• Классификация изображений: Обе модели эффективно выполняют высокоскоростную классификацию, при этом YOLO26 обеспечивает небольшое улучшение точности top-1 на ImageNet.

Пример кода для обучения и вывода#

Ultralytics славится удобством для разработчиков. Обучение SOTA-модели или запуск скрипта вывода занимает всего несколько строк кода, что сводит к минимуму шаблонный код и повышает продуктивность. Кроме того, для обучения моделей YOLO требуется значительно меньше памяти CUDA, чем для крупных сетей на основе Transformer.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
# The MuSGD optimizer is automatically enabled for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Utilize GPU for accelerated training
)

# Perform NMS-free inference directly on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the clean, instant predictions
results[0].show()

Идеальные сценарии использования и стратегии развёртывания#

Выбор между YOLO26 и YOLO11 полностью зависит от ограничений твоей производственной среды.

Когда стоит использовать YOLO26#

YOLO26 — оптимальный выбор для современных проектов, создаваемых с нуля. Она специально разработана для:

• Периферийных вычислений и IoT: впечатляющая производительность на CPU и удаление DFL делают её лучшим выбором для таких устройств, как Raspberry Pi, NPU Coral и мобильные процессоры.
• Аналитики с дронов и аэрофотосъёмки: интеграция ProgLoss + STAL делает модель особенно эффективной для отслеживания небольших быстро движущихся объектов на обширных территориях.
• Приложений, критичных к задержке: в автономной робототехнике или контроле качества производства архитектура без NMS обеспечивает детерминированную задержку без неожиданных скачков постобработки.

Когда стоит сохранить YOLO11#

Хотя YOLO26 превосходит её, YOLO11 остаётся исключительно функциональной моделью. Тебе стоит придерживаться YOLO11, если:

• Устаревшие конвейеры: твоя существующая инфраструктура развёртывания на C++ тесно связана с конкретными выходами на основе anchor и логикой NMS старых архитектур.
• Академические базовые модели: ты публикуешь исследование и тебе нужен широко признанный стандарт 2024 года для сравнения с ним своих новых алгоритмов.

Возможности экосистемы Ultralytics#

Независимо от того, развёртываешь ли ты YOLO11 или YOLO26, использование моделей Ultralytics даёт доступ к активно поддерживаемой экосистеме с частыми обновлениями и широкой поддержкой сообщества.

Для корпоративных команд платформа Ultralytics предоставляет сквозное решение для разметки данных, обучения моделей и бесшовного развёртывания в облаке. От экспорта обученных весов в CoreML или TensorRT до настройки продвинутой оптимизации гиперпараметров — предоставляемые инструменты обеспечивают максимально эффективный жизненный цикл ИИ.