YOLO26 против YOLOv10#

Сфера компьютерного зрения постоянно развивается, подталкиваемая спросом на более быстрые, точные и эффективные модели. Это руководство содержит комплексное техническое сравнение двух прорывных архитектур в области детектирования 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 своих приложений компьютерного зрения.

Эволюция архитектур без NMS#

Годами семейство YOLO (You Only Look Once) сильно зависело от Non-Maximum Suppression (NMS) для фильтрации избыточных ограничивающих рамки во время постобработки. Хотя NMS эффективна, она вносит задержку выводов и усложняет развертывание на периферийных устройствах, таких как Raspberry Pi или специализированные нейропроцессорные блоки (NPU).

Появление YOLOv10 ознаменовало смену парадигмы, став пионером в проектировании сквозных моделей без использования NMS. Основываясь на этом фундаментальном прорыве, Ultralytics YOLO26 усовершенствовала архитектуру для производственных сред, достигнув беспрецедентной эффективности и простоты использования в более широком спектре задач.

YOLOv10: Пионер в области детектирования без NMS#

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

Разработанная исследователями из Университета Цинхуа, модель YOLOv10 внедрила согласованную стратегию двойного назначения для устранения необходимости в NMS. Используя дизайн модели, ориентированный на общую эффективность и точность, она уменьшила вычислительную избыточность, сохранив при этом высокие показатели mAP (mean Average Precision).

Преимущества:

• Архитектура без NMS: Первопроходец в проектировании без NMS в серии YOLO, значительно снижающий задержки для приложений реального времени.
• Эффективность: Предлагает оптимальный баланс между количеством параметров и скоростью инференса по сравнению с моделями предыдущего поколения.

Недостатки:

• Ограниченная поддержка задач: В основном сфокусирована на стандартном детектировании объектов, не имея встроенной поддержки продвинутых задач, таких как сегментация или оценка позы.
• Академическая направленность: Кодовая база, хотя и надежная, больше ориентирована на исследования, а не на оптимизированное развертывание корпоративного уровня.

Узнай больше о YOLOv10

YOLO26: новый стандарт для периферии и облака#

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

Выпущенная как преемник YOLO11, YOLO26 доводит концепцию работы без NMS до своего абсолютного воплощения. Она нативно 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 была полностью удалена. Это значительно упрощает процесс экспорта модели и улучшает совместимость с пограничными и маломощными устройствами.
• До 43% более быстрый инференс на CPU: Благодаря удалению DFL и структурным оптимизациям, YOLO26 значительно быстрее работает на процессорах, что делает её идеальной для IoT и мобильных развертываний.
• Оптимизатор MuSGD: Вдохновленная методами обучения больших языковых моделей (LLM) (такими как Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и более быструю сходимость для задач компьютерного зрения.
• ProgLoss + STAL: Эти продвинутые функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, что критически важно для aerial imagery и security monitoring на базе дронов.
• Улучшения для конкретных задач: YOLO26 — это не просто детектор. Она включает функцию потерь семантической сегментации и многомасштабные прототипы для Segmentation, оценку остаточного логарифмического правдоподобия (RLE) для Pose Estimation и специализированную угловую функцию потерь для Oriented Bounding Boxes (OBB).

Узнай больше о YOLO26

Анализ производительности и метрики#

В следующей таблице сравнивается производительность детектирования на COCO для моделей YOLO26 и YOLOv10. Обрати внимание, как YOLO26 достигает превосходной точности при сохранении исключительной эффективности использования параметров.

Преимущество Ultralytics: Эффективность обучения и памяти#

При развертывании моделей в продакшене требования к памяти и эффективность обучения важны так же сильно, как и скорость выводов. Модели Ultralytics, особенно YOLO26, тщательно оптимизированы для снижения потребления памяти CUDA во время обучения. Это позволяет разработчикам использовать большие batch sizes на потребительских GPU, кардинально сокращая время обучения и вычислительные затраты. И наоборот, сложные архитектуры или тяжелые трансформерные модели вроде RT-DETR часто требуют дорогостоящего высокопроизводительного железа для эффективного обучения.

Практическая реализация: Пример кода#

Визитная карточка Ultralytics — это ведущая в отрасли простота использования. Благодаря интуитивному Python API, миграция с устаревшей модели вроде YOLOv8 на передовую YOLO26 требует обновления всего одной строки кода.

Вот 100% рабочий пример, демонстрирующий, как обучать и выполнять инференс с помощью 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}")

Сценарии использования и рекомендации#

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

Когда стоит выбрать YOLO26#

YOLO26 — отличный выбор для:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Когда стоит выбрать YOLOv10#

YOLOv10 рекомендуется для:

• Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
• Приложения с постоянной задержкой: Сценарии развертывания, где предсказуемое время вывода критически важно, например, в robotics или автономных системах.

Заключение#

В то время как YOLOv10 внесла значительный вклад в академическое сообщество, представив парадигму без NMS, YOLO26 выводит эту технологию на уровень промышленной готовности. Благодаря впечатляющему 43% приросту скорости на CPU, инновационному оптимизатору MuSGD и непревзойденной универсальности в задачах компьютерного зрения, YOLO26 выделяется как идеальный выбор как для пограничных вычислений, так и для облачных развертываний крупного масштаба.

Для команд, ставящих на первое место активное сообщество, исчерпывающую documentation и удобный опыт разработки, экосистема Ultralytics не имеет равных. Если ты изучаешь модели для специализированных сценариев, тебе также может быть интересно исследовать YOLO-World для обнаружения с открытым словарем в нулевом приближении (zero-shot). Однако для подавляющего большинства реальных вариантов использования YOLO26 является безоговорочной рекомендацией.