YOLO26 против YOLO11#

При создании передовых систем компьютерного зрения выбор подходящей модели критически важен для баланса между точностью, задержкой и эффективностью использования ресурсов. В стремительно развивающейся сфере искусственного интеллекта Ultralytics продолжает расширять границы возможного. В этом подробном техническом сравнении рассматривается переход от весьма успешной YOLO11 к революционной новой YOLO26. Материал поможет инженерам и исследователям в области ИИ принять обоснованные архитектурные решения.

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 связан с фундаментальными изменениями как в архитектуре модели, так и в процессе её обучения. YOLO11 заложила надёжную основу для обнаружения объектов и многозадачного обучения, а YOLO26 полностью перерабатывает конвейер развёртывания для периферийных вычислений.

Сквозная архитектура без NMS#

Одно из важнейших улучшений YOLO26 — изначально сквозная архитектура. В отличие от YOLO11, где для фильтрации перекрывающихся ограничивающих рамок на этапе постобработки используется подавление немаксимумов (NMS), YOLO26 может полностью пропускать этот этап благодаря опциональной голове один-к-одному (nms=False). Эта концепция, впервые реализованная в YOLOv10, значительно снижает вариативность задержки и упрощает логику развёртывания на различных периферийных устройствах.

Отказ от DFL для повышения эффективности на периферийных устройствах#

В YOLO11 для уточнения координат ограничивающих рамок используется Distribution Focal Loss (DFL). Однако DFL опирается на сложные операции softmax, которые часто плохо поддерживаются маломощными периферийными ускорителями. YOLO26 успешно обходится без DFL, не теряя в точности. Это упрощение архитектуры значительно повышает совместимость со встроенными системами и позволяет YOLO26 выполнять инференс на CPU до 43% быстрее, чем предшественник.

Оптимизатор MuSGD#

Стабильность и скорость обучения имеют первостепенное значение. В YOLO26 появился оптимизатор MuSGD — гибрид Stochastic Gradient Descent (SGD) и Muon, вдохновлённый инновациями в обучении LLM, разработанными Moonshot AI для Kimi K2. Этот оптимизатор переносит стабильность обучения языковых моделей в компьютерное зрение, ускоряя сходимость и снижая потребление памяти при обучении по сравнению с ресурсоёмкими альтернативами на базе Transformer.

ProgLoss и STAL#

Для исследователей, работающих с аэроснимками или решающих задачи с помощью дронов, обнаружение крошечных объектов исторически представляло серьёзную проблему. В YOLO26 используется ProgLoss в сочетании с STAL (назначение меток с учётом малых объектов), что заметно улучшает распознавание небольших 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 крайне низкие требования к памяти, характерные для экосистемы Ultralytics.

Примечание: наномодель YOLO26 (YOLO26n) работает на CPU примерно на ~31% быстрее YOLO11n (38.9 мс против 56.1 мс), что подчёркивает приоритет периферийных вычислений при её разработке.

Универсальность для разных задач компьютерного зрения#

Обе модели входят в активно поддерживаемую экосистему Ultralytics, которая отличается непревзойдённым удобством благодаря унифицированному API Python. Это не просто детекторы объектов, а мощные многозадачные решения. При этом YOLO26 включает несколько улучшений для отдельных задач:

• Сегментация экземпляров: В YOLO26 применяются усовершенствованная функция потерь для семантической сегментации и многоуровневое прототипирование, благодаря чему границы масок чётче, чем в YOLO11. Подробнее о процессах сегментации.
• Оценка позы: Благодаря интеграции Residual Log-Likelihood Estimation (RLE) YOLO26 значительно повышает точность ключевых точек при сложных позах человека. Узнай о возможностях оценки позы.
• Ориентированные ограничивающие рамки (OBB): Специализированная функция потерь для углов устраняет давние проблемы с разрывами границ, благодаря чему YOLO26 особенно надёжно обнаруживает повёрнутые объекты на спутниковых снимках. Подробнее о задачах OBB.
• Классификация изображений: Обе модели эффективно выполняют высокоскоростную классификацию, а YOLO26 обеспечивает небольшое улучшение точности top-1 на ImageNet.

Пример кода для обучения и инференса#

Ultralytics известна удобством для разработчиков. Чтобы обучить современную модель или запустить скрипт инференса, достаточно нескольких строк кода: меньше шаблонного кода — выше продуктивность. Кроме того, для обучения моделей YOLO требуется значительно меньше памяти CUDA, чем для больших сетей на базе Transformer.

from ultralytics import YOLO

# Загрузи передовую наномодель 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 ускорения 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 полностью зависит от ограничений твоей производственной среды.

Когда стоит развёртывать YOLO26#

YOLO26 — оптимальный выбор для современных проектов, создаваемых с нуля. Модель специально разработана для следующих задач:

• Периферийные вычисления и IoT: Высокая производительность на CPU и отказ от DFL делают эту модель лучшим выбором для таких устройств, как Raspberry Pi, Coral NPU и мобильные процессоры.
• Аналитика с дронов и аэросъёмки: Сочетание ProgLoss и STAL позволяет модели особенно эффективно отслеживать крошечные быстро движущиеся объекты на обширных территориях.
• Приложения, критичные к задержке: В автономной робототехнике или при контроле качества производства архитектура без NMS обеспечивает предсказуемую задержку без внезапных скачков на этапе постобработки.

Когда стоит оставить YOLO11#

Несмотря на превосходство YOLO26, YOLO11 остаётся чрезвычайно эффективной моделью. Возможно, тебе стоит оставить YOLO11, если:

• Унаследованные конвейеры: Существующая инфраструктура развёртывания на C++ тесно связана с конкретным форматом выходных данных и логикой NMS в YOLO11.
• Научные базовые модели: Ты публикуешь исследование и хочешь сравнить новые алгоритмы с хорошо известным стандартом 2024 года.

Преимущества экосистемы Ultralytics#

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

Для корпоративных команд Платформа Ultralytics предлагает комплексное решение для аннотирования данных, обучения моделей и бесшовного развёртывания в облаке. От экспорта обученных весов в CoreML или TensorRT до настройки продвинутого подбора гиперпараметров — предоставляемые инструменты помогают максимально упростить жизненный цикл ИИ.