YOLO26 и YOLOv10#

Ландшафт компьютерного зрения постоянно меняется под влиянием спроса на более быстрые, точные и эффективные модели. В этом руководстве представлено подробное техническое сравнение двух передовых архитектур для обнаружения объектов в реальном времени: YOLO26 и YOLOv10. Анализируя их архитектуры, показатели производительности и возможности развертывания, мы стремимся помочь разработчикам и исследователям выбрать оптимальную модель для задач компьютерного зрения.

Эволюция архитектур без NMS#

Много лет семейство YOLO активно использовало подавление немаксимумов (NMS) для фильтрации избыточных ограничивающих рамок на этапе постобработки. Несмотря на эффективность, NMS увеличивает задержку инференса и усложняет развертывание на периферийных устройствах, таких как Raspberry Pi, или на специализированных нейронных процессорах (NPUs).

Появление YOLOv10 стало сменой парадигмы благодаря первой реализации сквозной архитектуры без NMS. Развивая этот фундаментальный прорыв, Ultralytics YOLO26 усовершенствовала архитектуру для производственных сред, обеспечив беспрецедентную эффективность и удобство использования в более широком спектре задач.

YOLOv10: пионер обнаружения без NMS#

• Дата: 2024-05-23
• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Ресурсы: ArXiv Paper | GitHub Repository

Разработанная исследователями Университета Цинхуа, YOLOv10 представила согласованную стратегию двойного назначения, устраняющую необходимость в NMS. Благодаря целостному проектированию модели с учетом эффективности и точности удалось сократить вычислительную избыточность, сохранив высокий показатель mAP (средняя точность).

Преимущества:

• Архитектура без NMS: первый новаторский вариант архитектуры без NMS в серии YOLO, значительно снижающий 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: в основном ориентирована на стандартное обнаружение объектов и не имеет встроенной поддержки таких продвинутых задач, как сегментация или оценка позы.
• Академическая направленность: кодовая база надежна, но больше ориентирована на исследования, чем на оптимизированное развертывание в производственной среде корпоративного уровня.

Узнай больше о YOLOv10

YOLO26: новый стандарт для периферийных и облачных систем#

• Дата: 2026-01-14
• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Ресурсы: GitHub Repository | Ultralytics Platform

Выпущенная в качестве преемницы YOLO11, YOLO26 доводит концепцию отсутствия NMS до ее полного воплощения. Она изначально интегрирует сквозное обнаружение в высокооптимизированную Ultralytics Platform, предоставляя полный набор инструментов для современного конвейера машинного обучения.

YOLO26 представляет несколько архитектурных прорывов:

• Удаление DFL: Distribution Focal Loss полностью удалена. Это значительно упрощает процесс экспорта модели и улучшает совместимость с периферийными устройствами и устройствами с низким энергопотреблением.
• До 43% более быстрый инференс на CPU: благодаря удалению DFL и структурным оптимизациям YOLO26 значительно быстрее работает на CPU, что делает ее идеальной для развертывания в IoT- и мобильных системах.
• Оптимизатор MuSGD: вдохновленный методами обучения больших языковых моделей (LLM), такими как Kimi K2 от Moonshot AI, YOLO26 использует комбинацию SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и более быструю сходимость в задачах компьютерного зрения.
• ProgLoss + STAL: эти продвинутые функции потерь заметно улучшают распознавание небольших объектов, что критически важно для аэрофотосъемки и мониторинга безопасности с использованием дронов.
• Улучшения для конкретных задач: YOLO26 — это не просто детектор. Модель включает функцию потерь семантической сегментации и многоуровневый proto для сегментации, Residual Log-Likelihood Estimation (RLE) для оценки позы, а также специализированную функцию потерь угла для ориентированных ограничивающих рамок (OBB).

Анализ производительности и метрики#

В следующей таблице сравнивается производительность моделей YOLO26 и YOLOv10 при обнаружении объектов на COCO. Обрати внимание, что YOLO26 обеспечивает более высокую точность, сохраняя при этом исключительную эффективность использования параметров.

Преимущество Ultralytics: эффективность обучения и использования памяти#

При развертывании моделей в производственной среде требования к памяти и эффективность обучения не менее важны, чем скорость инференса. Модели Ultralytics, особенно YOLO26, оптимизированы для снижения использования памяти CUDA во время обучения. Это позволяет разработчикам использовать более крупные размеры пакетов на GPU потребительского класса, значительно сокращая время обучения и вычислительные затраты. Напротив, сложные архитектуры или ресурсоемкие модели на базе Transformer, такие как RT-DETR, часто требуют дорогостоящего высокопроизводительного оборудования для эффективного обучения.

Практическая реализация: пример кода#

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

Ниже приведен полностью готовый к запуску пример обучения и инференса с использованием 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
# The MuSGD optimizer and efficient memory management are handled automatically
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")

# 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}")

Варианты применения и рекомендации#

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

Когда стоит выбрать YOLO26#

YOLO26 — подходящий выбор для:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для:

• Обнаружения объектов в реальном времени без NMS: приложений, которым полезно сквозное обнаружение без подавления немаксимумов, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: проектов, требующих удачного баланса между скоростью инференса и точностью обнаружения для моделей разных размеров.
• Приложений со стабильной задержкой: сценариев развертывания, где критически важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Заключение#

Хотя YOLOv10 внесла значительный вклад в академическое сообщество, представив парадигму без NMS, 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 непревзойденной универсальности в различных задачах компьютерного зрения YOLO26 становится оптимальным выбором как для периферийных вычислений, так и для крупномасштабного развертывания в облаке.

Для команд, которые ставят в приоритет активное сообщество, подробную документацию и беспроблемный опыт разработчика, экосистема Ultralytics не имеет равных. Если ты изучаешь модели для специализированных сценариев, также стоит обратить внимание на YOLO-World для обнаружения объектов с открытым словарем в режиме zero-shot. Однако для подавляющего большинства реальных задач YOLO26 — однозначная рекомендация.