Link to this sectionYOLO26 против YOLO11#

При создании передовых систем компьютерного зрения выбор подходящей модели критически важен для достижения баланса между точностью, задержкой и эффективностью использования ресурсов. В быстро развивающейся области искусственного интеллекта Ultralytics продолжает расширять границы возможного. Это подробное техническое сравнение исследует переход от весьма успешной YOLO11 к революционной новой YOLO26, предоставляя инженерам по ИИ и исследователям информацию, необходимую для принятия обоснованных архитектурных решений.

Link to this sectionПроисхождение модели и метаданные#

Обе модели были разработаны Ultralytics, но они представляют собой разные парадигмы в хронологии моделей обнаружения объектов и многозадачного компьютерного зрения.

Детали YOLO26:

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

Узнай больше о YOLO26

Детали YOLO11:

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

Узнай больше о YOLO11

Link to this sectionАрхитектурные различия и инновации#

Переход от YOLO11 к YOLO26 включает фундаментальные изменения как в архитектуре модели, так и в базовом процессе обучения. В то время как YOLO11 установила надежную базу для обнаружения объектов и многозадачного обучения, YOLO26 полностью переработала конвейер развертывания для граничных вычислений.

Link to this sectionСквозной дизайн без NMS#

Одним из самых значимых обновлений в YOLO26 является её нативная сквозная архитектура. В отличие от YOLO11, которая полагается на постобработку с помощью Non-Maximum Suppression (NMS) для фильтрации перекрывающихся ограничивающих рамок (bounding boxes), YOLO26 полностью исключает этот шаг. Эта концепция, впервые внедренная в YOLOv10, значительно снижает вариативность задержек и упрощает логику развертывания на различных граничных устройствах.

Link to this sectionУдаление DFL для эффективности на граничных устройствах#

YOLO11 использует Distribution Focal Loss (DFL) для уточнения оценок ограничивающих рамок. Однако DFL опирается на сложные операции softmax, которые часто плохо поддерживаются маломощными граничными ускорителями. YOLO26 успешно удаляет DFL без потери точности. Такое архитектурное упрощение приводит к значительно улучшенной совместимости с встроенными системами и позволяет YOLO26 достигать до 43% более быстрого вывода на CPU по сравнению с её предшественником.

Link to this sectionОптимизатор MuSGD#

Стабильность и скорость обучения имеют первостепенное значение. YOLO26 представляет оптимизатор MuSGD, гибрид стохастического градиентного спуска (SGD) и Muon, вдохновленный инновациями в обучении LLM от Kimi K2 компании Moonshot AI. Этот оптимизатор привносит стабильность обучения языковых моделей в компьютерное зрение, обеспечивая более быструю сходимость и уменьшая потребление памяти во время обучения по сравнению с тяжелыми альтернативами на базе Transformer.

Link to this sectionProgLoss и STAL#

Для исследователей, работающих с аэрофотоснимками или дронами, обнаружение мелких деталей является исторически сложной задачей. YOLO26 представляет ProgLoss в сочетании с STAL (Scale-Targeted Attention Loss), обеспечивая заметные улучшения в распознавании мелких объектов по сравнению с YOLO11.

Link to this sectionСравнение производительности и метрик#

При прямом сравнении моделей YOLO26 демонстрирует явное превосходство в точности и эффективности на граничных устройствах, сохраняя при этом невероятно низкие требования к памяти, характерные для экосистемы Ultralytics.

Примечание: Модель YOLO26 nano (YOLO26n) демонстрирует улучшение скорости CPU примерно на 31% по сравнению с YOLO11n (38.9мс против 56.1мс), что подчеркивает её философию дизайна, ориентированную на edge-устройства.

Link to this sectionУниверсальность в задачах компьютерного зрения#

Обе модели выигрывают от высокоподдерживаемой экосистемы Ultralytics, предлагающей непревзойденную простоту использования через унифицированный API на Python. Это не просто детекторы объектов, это мощные многозадачные инструменты. Однако YOLO26 включает несколько специфических для задач улучшений:

• Сегментация экземпляров: YOLO26 использует улучшенную функцию потерь для семантической сегментации и многомасштабное прототипирование, создавая более четкие границы масок, чем YOLO11. Узнай больше о рабочих процессах сегментации.
• Оценка позы: Благодаря интеграции Residual Log-Likelihood Estimation (RLE) YOLO26 значительно повышает точность ключевых точек в сложных позах человека. Открой для себя возможности оценки позы.
• Ориентированные ограничивающие рамки (OBB): Специализированная функция угловых потерь решает исторические проблемы разрывности границ, делая YOLO26 исключительно надежной для обнаружения повернутых объектов на спутниковых снимках. Читай о задачах OBB.
• Классификация изображений: Обе модели эффективно справляются с высокоскоростной классификацией, при этом YOLO26 демонстрирует небольшое улучшение точности top-1 на ImageNet.

Link to this sectionПример кода для обучения и вывода#

Ultralytics is celebrated for its developer experience. Training a SOTA model or running an inference script takes only a few lines of code, minimizing boilerplate and maximizing productivity. Furthermore, training YOLO models requires significantly less CUDA memory than large transformer networks.

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()

Link to this sectionИдеальные варианты использования и стратегии развертывания#

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

Link to this sectionКогда развертывать YOLO26#

YOLO26 — это окончательный выбор для современных новых проектов. Она специально создана для:

• Граничных вычислений и IoT: Её поразительная производительность CPU и удаление DFL делают её лидером на устройствах вроде Raspberry Pi, Coral NPU и мобильных процессоров.
• Аналитики с дронов и воздуха: Интеграция ProgLoss + STAL делает её уникально способной отслеживать крошечные, быстро движущиеся объекты на обширных ландшафтах.
• Latency-Critical Applications: In autonomous robotics or manufacturing quality control, the NMS-free design ensures deterministic latency without unexpected post-processing spikes.

Link to this sectionКогда оставить YOLO11#

Хотя YOLO26 превосходит её, YOLO11 остается невероятно мощной моделью. Возможно, тебе стоит остаться с YOLO11, если:

• Устаревшие конвейеры: Твоя существующая инфраструктура развертывания на C++ жестко привязана к специфическим выходам на основе анкоров и логике NMS старых архитектур.
• Академические базы: Ты публикуешь исследование и тебе нужен высокопризнанный стандарт 2024 года для сравнения своих новых алгоритмов.

Link to this sectionСила экосистемы Ultralytics#

Независимо от того, развертываешь ли ты YOLO11 или YOLO26, использование моделей Ultralytics означает подключение к хорошо поддерживаемой экосистеме с частыми обновлениями и огромной поддержкой сообщества.

Для корпоративных команд платформа Ultralytics предоставляет комплексное решение для разметки данных, обучения моделей и бесшовного облачного развертывания. От экспорта обученных весов в CoreML или TensorRT до настройки продвинутой оптимизации гиперпараметров — предоставляемые инструменты гарантируют, что твой жизненный цикл ИИ будет максимально оптимизирован.