YOLO26 против YOLOv10#

Сфера компьютерного зрения постоянно развивается благодаря спросу на более быстрые, точные и эффективные модели. В этом руководстве подробно сравниваются две новаторские архитектуры для обнаружения объектов в реальном времени: YOLO26 и YOLOv10. Анализ архитектуры, показателей производительности и возможностей развёртывания поможет разработчикам и исследователям выбрать оптимальную модель для задач компьютерного зрения.

Развитие архитектур без NMS#

На протяжении многих лет семейство YOLO (You Only Look Once) активно использовало подавление немаксимумов (NMS) для удаления лишних ограничивающих рамок на этапе постобработки. Несмотря на эффективность, NMS увеличивает задержку инференса и усложняет развёртывание на периферийных устройствах, таких как Raspberry Pi, и специализированных нейронных процессорах (NPU).

Появление YOLOv10 стало поворотным моментом: эта модель первой представила сквозную архитектуру без NMS. Опираясь на это важное достижение, Ultralytics YOLO26 усовершенствовала архитектуру для производственных сред, обеспечив беспрецедентную эффективность и удобство использования для более широкого спектра задач.

YOLOv10: новаторская модель для обнаружения объектов без NMS#

• Дата: 2024-05-23
• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Материалы: Статья на ArXiv | Репозиторий GitHub

Разработанная исследователями Университета Цинхуа, YOLOv10 представила согласованную стратегию двойного назначения, которая устраняет необходимость в NMS. Благодаря комплексному проектированию модели с учётом эффективности и точности удалось снизить избыточность вычислений, сохранив высокий показатель mAP (средняя точность).

Преимущества:

• Архитектура без NMS: первая модель в серии YOLO с архитектурой без NMS, значительно снижающая задержку в приложениях реального времени.
• Эффективность: обеспечивает удачный баланс между количеством параметров и скоростью инференса по сравнению с моделями предыдущих поколений.

Недостатки:

• Ограниченная поддержка задач: модель ориентирована главным образом на стандартное обнаружение объектов и не имеет встроенной поддержки более сложных задач, например сегментации или оценки позы.
• Научная направленность: несмотря на надёжность кодовой базы, она больше ориентирована на исследования, чем на упрощённое развёртывание корпоративного уровня в производственной среде.

Подробнее о YOLOv10

YOLO26: новый стандарт для периферийных устройств и облака#

• Дата: 2026-01-14
• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Материалы: Репозиторий GitHub | Платформа Ultralytics

Выпущенная в качестве преемницы YOLO11, YOLO26 доводит концепцию отсутствия NMS до совершенства. Сквозное обнаружение объектов изначально встроено в высокооптимизированную Платформу Ultralytics, которая предоставляет полный набор инструментов для современного конвейера машинного обучения.

YOLO26 представляет несколько важных архитектурных новшеств:

• Удаление DFL: Distribution Focal Loss полностью исключена. Это значительно упрощает экспорт модели и повышает совместимость с периферийными устройствами и устройствами с низким энергопотреблением.
• До 43% быстрее на CPU: Благодаря удалению DFL и структурным оптимизациям YOLO26 значительно быстрее работает на CPU, что делает её идеальным решением для развертывания в IoT-системах и на мобильных устройствах.
• Оптимизатор MuSGD: Вдохновлённый методами обучения больших языковых моделей (LLM), такими как Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает компьютерному зрению беспрецедентную стабильность обучения и более быструю сходимость.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно улучшают распознавание небольших объектов, что особенно важно для аэросъёмки и мониторинга безопасности с помощью дронов.
• Улучшения для отдельных задач: YOLO26 — это не просто детектор. Модель использует функцию потерь семантической сегментации и многомасштабный прототип для сегментации, оценку остаточного логарифма правдоподобия (RLE) для оценки позы и специализированную функцию потерь угла для ориентированных ограничивающих рамок (OBB).

Анализ производительности и метрики#

В таблице ниже сравнивается качество детектирования моделей YOLO26 и YOLOv10 на COCO. Обрати внимание: YOLO26 обеспечивает более высокую точность, сохраняя при этом исключительную эффективность по числу параметров.

Преимущества Ultralytics: эффективность обучения и использования памяти#

При развертывании моделей в рабочую среду требования к памяти и эффективность обучения не менее важны, чем скорость инференса. Модели Ultralytics, особенно YOLO26, тщательно оптимизированы для снижения потребления памяти CUDA во время обучения. Это позволяет разработчикам использовать более крупные размеры батчей на потребительских GPU, значительно сокращая время обучения и вычислительные затраты. И наоборот, для эффективного обучения сложных архитектур или ресурсоемких трансформерных моделей, таких как RT-DETR, часто требуется дорогостоящее высокопроизводительное оборудование.

Практическая реализация: пример кода#

Отличительная черта Ultralytics — ведущая в отрасли простота использования. Благодаря интуитивно понятному Python API переход с устаревшей модели, например YOLOv8, на современную YOLO26 требует изменить всего одну строку кода.

Вот полностью готовый к запуску пример обучения и инференса с YOLO26:

from ultralytics import YOLO

# 1. Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# 2. Train the model on the COCO8 dataset efficiently
# optimizer='auto' selects MuSGD for longer training runs; memory management is automatic
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to 0 for GPU
)

# 3. Perform NMS-free inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 4. Display the results to screen
predictions[0].show()

# 5. Export to ONNX for simplified edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to {export_path}")

Сценарии использования и рекомендации#

Выбор между YOLO26 и YOLOv10 зависит от требований конкретного проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLO26#

YOLO26 — отличный выбор для таких задач:

• Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для таких задач:

• Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
• Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
• Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Заключение#

YOLOv10 внёс значительный вклад в академическое сообщество, представив парадигму без NMS, а YOLO26 выводит эту технологию на уровень готовности к использованию в корпоративной среде. Благодаря впечатляющему повышению скорости работы на CPU на 43%, инновационному оптимизатору MuSGD и непревзойдённой универсальности для задач компьютерного зрения YOLO26 становится лучшим выбором как для периферийных вычислений, так и для масштабных облачных развертываний.

Для команд, которым важны активное сообщество, подробная документация и удобная работа разработчиков, экосистема Ultralytics не имеет равных. Если ты ищешь модели для специализированных сценариев, обрати внимание также на YOLO-World для обнаружения объектов с открытым словарём без примеров. Однако для подавляющего большинства реальных задач мы однозначно рекомендуем YOLO26.