YOLO26 против YOLO11#

При создании систем компьютерного зрения нужно выбирать модель, балансируя точность, задержку и эффективность использования ресурсов. В этом техническом сравнении рассматривается переход от Ultralytics YOLO11 к более новой YOLO26 и приводятся сведения, необходимые инженерам и исследователям в области ИИ для обоснованного выбора архитектуры.

Происхождение и метаданные моделей#

Обе модели разработаны Ultralytics, но представляют разные подходы на этапах развития моделей обнаружения объектов и мультитасковых 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 меняет как архитектуру модели, так и рецепт обучения. YOLO11 задала высокий базовый уровень для обнаружения объектов и многозадачного обучения, а YOLO26 переосмысливает процесс развертывания для периферийных вычислений.

Сквозная архитектура без NMS#

Одно из важнейших улучшений YOLO26 — встроенный сквозной инференс. В отличие от YOLO11, которая полагается на постобработку с помощью подавления немаксимумов (NMS) для фильтрации перекрывающихся рамок, YOLO26 может полностью пропустить этот этап благодаря опциональной голове «один-к-одному» (nms=False). Этот подход, впервые появившийся в семействе YOLO с выходом YOLOv10, уменьшает разброс задержки и упрощает логику развертывания на самых разных периферийных устройствах.

Отказ от DFL для повышения эффективности на периферийных устройствах#

YOLO11 использует Distribution Focal Loss (DFL) для уточнения оценок рамок. Однако DFL опирается на операции softmax, которые часто плохо поддерживаются маломощными периферийными ускорителями. YOLO26 избавляется от DFL без потери точности. Это упрощение повышает совместимость со встроенными системами и помогает YOLO26n выполнять инференс на CPU до 43% быстрее, чем YOLO11n.

Оптимизатор MuSGD#

В YOLO26 представлен оптимизатор MuSGD — гибрид стохастического градиентного спуска (SGD) и Muon, созданный под влиянием новшеств в обучении больших языковых моделей (LLM), примененных в Kimi K2 от Moonshot AI. Он переносит стабильность обучения языковых моделей в компьютерное зрение и ускоряет сходимость.

ProgLoss и STAL#

Для исследователей, работающих с аэрофотоснимками или дронами, обнаружение мелких объектов давно остается сложной задачей. В YOLO26 используются ProgLoss и STAL (назначение меток с учетом малых объектов), что улучшает распознавание небольших объектов по сравнению с YOLO11.

Сравнение производительности и метрик#

YOLO26 обеспечивает более высокий mAP, чем YOLO11, для всех размеров моделей: от +1,4 (n) до +2,8 (x), при сопоставимом количестве параметров и FLOPs. YOLO26n и YOLO26s также быстрее работают на CPU, тогда как более крупные модели YOLO11 имеют преимущество по задержке на CPU.

Примечание: задержка YOLO26n на CPU при работе с ONNX примерно на ~31% ниже, чем у YOLO11n (38,9 мс против 56,1 мс), что отражает ориентацию модели на периферийные устройства.

Универсальность для разных задач компьютерного зрения#

Обе модели используют активно развиваемую экосистему Ultralytics и унифицированный API Python, а также поддерживают обнаружение объектов, сегментацию, классификацию, оценку позы и OBB. YOLO26 дополнительно поддерживает семантическую сегментацию и оценку глубины, а также включает несколько улучшений для отдельных задач:

• Сегментация экземпляров: YOLO26 использует функцию потерь для семантической сегментации и многомасштабный модуль прототипов, которые улучшают качество масок по сравнению с YOLO11. Подробнее о процессах сегментации.
• Оценка позы: благодаря интеграции оценки остаточного логарифма правдоподобия (RLE) YOLO26 точнее определяет ключевые точки при сложных позах человека. Подробнее о возможностях оценки позы.
• Ориентированные ограничивающие рамки (OBB): специализированная функция потерь для углов устраняет проблемы разрывов на границах, повышая надежность YOLO26 при обнаружении повернутых объектов на спутниковых снимках. Подробнее о задачах OBB.
• Классификация изображений: обе модели эффективно выполняют высокоскоростную классификацию, а YOLO26 обеспечивает небольшое повышение точности top-1 на ImageNet (71,4% против 70,0% у моделей n).

Пример кода для обучения и инференса#

Для обучения модели или запуска инференса с Ultralytics достаточно нескольких строк кода. Для обучения моделей YOLO также требуется меньше памяти CUDA, чем для крупных архитектур Transformer.

from ultralytics import YOLO

# Загрузка компактной модели YOLO26
model = YOLO("yolo26n.pt")

# Эффективно обучи модель на наборе данных COCO8
# optimizer="auto" выбирает MuSGD для длительного обучения
train_results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Используй GPU для ускоренного обучения
)

# Выполни инференс без NMS непосредственно на изображении
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Выведи на экран чёткие результаты предсказания без задержки
results[0].show()

Оптимальные сценарии применения и стратегии развёртывания#

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

Когда стоит развёртывать YOLO26#

Для новых проектов рекомендуется YOLO26. Эта модель создана для:

• Периферийных вычислений и IoT: благодаря производительности на CPU и отказу от DFL модель хорошо подходит для таких устройств, как Raspberry Pi, Coral Edge TPU и мобильные процессоры.
• Аналитики данных с дронов и аэрофотосъемки: ProgLoss + STAL улучшают обнаружение и отслеживание небольших быстро движущихся объектов на обширных сценах.
• Приложений, критичных к задержке: в автономной робототехнике или контроле качества производства опциональная голова без NMS (nms=False) обеспечивает постоянную задержку без всплесков, вызванных постобработкой.

Когда стоит оставить YOLO11#

YOLO11 остается эффективной моделью. Возможно, стоит продолжить использовать YOLO11, если:

• Унаследованные конвейеры: Существующая инфраструктура развёртывания на C++ тесно связана с конкретным форматом выходных данных и логикой NMS в YOLO11.
• Исследовательские базовые модели: ты публикуешь исследования и хочешь сравнивать новые алгоритмы с широко признанной базовой моделью 2024 года.

Преимущества экосистемы Ultralytics#

Независимо от того, развертываешь ты YOLO11 или YOLO26, модели Ultralytics поставляются с хорошо развитой экосистемой, регулярными обновлениями и большим сообществом.

Для корпоративных команд платформа Ultralytics предлагает комплексное решение для аннотирования данных, обучения моделей и развертывания в облаке. Пакет ultralytics охватывает остальные этапы жизненного цикла — от настройки гиперпараметров до экспорта обученных весов в CoreML или TensorRT.