YOLO26 против YOLO11#

При создании современных систем компьютерного зрения выбор правильной модели критически важен для балансировки точности, задержки и эффективности использования ресурсов. В стремительно развивающейся сфере искусственного интеллекта Ultralytics продолжает раздвигать границы возможного. Этот подробный технический обзор исследует переход от чрезвычайно успешной YOLO11 к революционной новой YOLO26, предоставляя инженерам и исследователям ИИ аналитические данные, необходимые для принятия взвешенных архитектурных решений.

Происхождение 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

Архитектурные различия и инновации#

Скачок от YOLO11 к YOLO26 связан с фундаментальными изменениями как в архитектуре модели, так и в базовом режиме обучения. Если YOLO11 создала надежную базу для обнаружения объектов и многозадачного обучения, то YOLO26 полностью перерабатывает конвейер развертывания для граничных вычислений.

Сквозной дизайн без NMS#

Одно из самых значительных обновлений в YOLO26 — ее нативная сквозная (end-to-end) архитектура. В отличие от YOLO11, которая полагается на постобработку Non-Maximum Suppression (NMS) для фильтрации перекрывающихся ограничивающих рамок, YOLO26 полностью исключает этот шаг. Эта концепция, впервые предложенная в YOLOv10, радикально снижает вариативность задержек и упрощает логику развертывания на различных периферийных устройствах.

Удаление 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.

Оптимизатор 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.

ProgLoss и STAL#

Для исследователей, работающих со снимками с воздуха или дронами, обнаружение мелких объектов всегда было сложнейшей задачей. В YOLO26 представлена функция ProgLoss в сочетании со STAL (Scale-Targeted Attention Loss), обеспечивающая заметные улучшения в распознавании мелких объектов по сравнению с YOLO11.

Сравнение 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.

Универсальность 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 усовершенствованную потерю семантической сегментации и многомасштабное прототипирование, формируя более четкие границы масок по сравнению с 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 потерь по углам устраняет исторические проблемы разрыва границ, делая YOLO26 исключительно надежным инструментом для обнаружения повернутых объектов на спутниковых снимках. Читай о задачах OBB.
• Классификация изображений: Обе модели эффективно справляются с высокоскоростной классификацией, причем YOLO26 обеспечивает небольшое улучшение точности top-1 на ImageNet.

Пример кода для обучения и вывода#

Ultralytics славится своим удобством для разработчиков. Обучение современной модели SOTA или запуск скрипта инференса занимают всего несколько строк кода, сводя к минимуму шаблонный код и максимизируя производительность. Кроме того, обучение моделей YOLO требует значительно меньше памяти CUDA по сравнению с крупными сетями-трансформерами.

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 варианты использования и стратегии развертывания#

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

Когда 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.
• Приложения, критичные к задержке: В автономной робототехнике или контроле качества на производстве дизайн без NMS гарантирует детерминированную задержку без неожиданных пиков после обработки.

Когда 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.

Сила 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 расширенной оптимизации гиперпараметров — предоставляемые инструменты делают жизненный цикл ИИ максимально оптимизированным.