YOLO26 против YOLOv10: эволюция сквозного обнаружения объектов

Область обнаружения объектов в реальном времени быстро меняется. В 2024 году YOLOv10 стал сенсацией, впервые применив подход обучения без максимального подавления (NMS), что позволило эффективно устранить значительное узкое место в конвейерах вывода. В 2026 году Ultralytics усовершенствовал и расширил эти концепции, создав нативную сквозную архитектуру, которая является более быстрой, точной и глубоко интегрированной в Ultralytics .

В этом руководстве представлено техническое сравнение этих двух влиятельных моделей, которое поможет разработчикам, исследователям и инженерам выбрать подходящий инструмент для своих приложений компьютерного зрения.

Сравнение метрик производительности

При оценке современных детекторов важнейшую роль играет компромисс между скоростью и точностью. YOLO26 представляет значительные оптимизации, специально предназначенные для периферийных устройств и CPU , достигая увеличения скорости на ЦП до 43 % по сравнению с предыдущими поколениями. В то время как YOLOv10 остается высокоэффективной моделью, YOLO26 расширяет границы возможного с помощью более легких вычислительных ресурсов.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Архитектурные инновации

Ultralytics : новый стандарт

Авторы: Гленн Джочер, Цзин Цю
Организация:Ultralytics
Дата: 14 января 2026 г.

YOLO26 представляет собой кульминацию исследований в области эффективности и простоты использования. Он использует сквозную конструкцию NMS, аналогичную YOLOv10, но усовершенствованную за счет нескольких ключевых архитектурных изменений, направленных на повышение надежности и гибкости развертывания.

Удаление DFL: благодаря удалению Distribution Focal Loss (DFL) архитектура модели упрощается. Это изменение имеет решающее значение для совместимости экспорта, упрощая развертывание модели на ограниченном периферийном оборудовании, таком как Raspberry Pi или мобильные устройства, где сложные выходные слои могут вызывать задержки.
Оптимизатор MuSGD: Вдохновленный стабильностью обучения больших языковых моделей (LLM), YOLO26 использует гибридный оптимизатор, сочетающий SGD Muon. Эта инновация, адаптированная из Kimi K2 от Moonshot AI, обеспечивает более быструю сходимость и стабильное обучение, снижая затраты на вычисления.
ProgLoss + STAL: Внедрение Progressive Loss (ProgLoss) и Soft-Target Anchor Loss (STAL) значительно повышает производительность при работе с небольшими объектами. Это делает YOLO26 особенно подходящим для таких задач, как анализ аэрофотоснимков или обнаружение дефектов в производстве.

Узнайте больше о YOLO26

YOLOv10: пионер NMS

Авторы: Ао Ван и др.
Организация: Университет Цинхуа
Дата: 23 мая 2024 г.

YOLOv10 знаковым выпуском, который решил проблему избыточности NMS . Его основной инновацией стало использование последовательных двойных назначений для обучения NMS.

Двойные назначения: во время обучения модель использует как назначения меток «один ко многим», так и «один к одному». Это позволяет модели обучаться богатым представлениям, обеспечивая при этом, что во время вывода делается только одно предсказание на объект, что устраняет необходимость в NMS.
Комплексный дизайн эффективности: авторы представили легкие классификационные головки и пространственно-канальное декуплированное понижающее дискретизирование для снижения вычислительных затрат, что отражается в низком количестве FLOP.

Узнайте больше о YOLOv10

Узкое место NMS

Немаксимальное подавление (NMS) — это этап постобработки, используемый для фильтрации перекрывающихся ограничительных рамок. Несмотря на свою эффективность, он вносит разброс задержек и усложняет развертывание. Как YOLO26, так и YOLOv10 этот этап, делая время вывода детерминированным и более быстрым.

Интеграция и экосистема

Одно из наиболее значительных отличий заключается в окружающей экосистеме. Ultralytics — это флагманская модель Ultralytics , обеспечивающая немедленную поддержку всех задач и режимов.

Преимущество Ultralytics

Универсальность: в то время как YOLOv10 в первую очередь на обнаружение, YOLO26 предлагает встроенную поддержку сегментации экземпляров, оценки позы, OBB и классификации.
Ultralytics : YOLO26 полностью интегрирован с Ultralytics (ранее HUB), что обеспечивает беспрепятственное управление наборами данных, обучение в облаке в один клик и развертывание в таких форматах, как TFLite и OpenVINO.
Техническое обслуживание: как основной продукт, YOLO26 часто обновляется, исправляются ошибки и предоставляется поддержка сообщества через GitHub и Discord.

Сравнение кода

Обе модели могут быть запущены с помощью ultralytics Python , подчеркивающий гибкость библиотеки. Однако YOLO26 использует преимущества новейших служебных функций и оптимизаций.

from ultralytics import YOLO

# ----------------- YOLO26 -----------------
# Load the latest YOLO26 model (NMS-free, optimized for CPU)
model_26 = YOLO("yolo26n.pt")

# Train on a custom dataset with MuSGD optimizer enabled automatically
model_26.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference with simplified output (no NMS overhead)
results_26 = model_26("path/to/image.jpg")


# ----------------- YOLOv10 -----------------
# Load the YOLOv10 model (Historical academic checkpoint)
model_10 = YOLO("yolov10n.pt")

# Train using standard settings
model_10.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference
results_10 = model_10("path/to/image.jpg")

Сценарии использования и рекомендации

Выбор между этими моделями зависит от конкретных ограничений развертывания и целей проекта.

Идеальные сценарии для YOLO26

Edge AI на CPU: если ваше приложение работает на оборудовании без выделенного GPU например, стандартные ноутбуки, IoT-шлюзы с низким энергопотреблением), то YOLO26 с его на 43 % более быстрым CPU становится бесспорным выбором.
Коммерческие решения: для корпоративных приложений, требующих долгосрочной поддержки, четкой системы лицензирования (корпоративная лицензия) и надежной технической поддержки, YOLO26 разработан для промышленного производства.
Сложные задачи: проекты, требующие ориентированных ограничительных рамок для аэрофотосъемки или оценки позы для спортивной аналитики, выиграют от многозадачных возможностей YOLO26.

Идеальные сценарии для YOLOv10

Академические исследования: Исследователи, изучающие теоретические основы обучения NMS или стратегии присвоения меток, найдут ценную информацию в статье YOLOv10, опубликованной в arXiv, и в архитектуре.
Сравнительный анализ устаревших технологий: для сравнения с базовыми показателями 2024 года YOLOv10 отличным стандартом для архитектур, ориентированных на эффективность.

Гибкость развертывания

Ultralytics отличаются превосходной экспортируемостью. Вы можете легко экспортировать обученную модель YOLO26 в ONNX, TensorRT или CoreML одной команды: yolo export model=yolo26n.pt format=onnx.

Заключение

Обе архитектуры сыграли ключевую роль в развитии компьютерного зрения. YOLOv10 успешно оспорила необходимость NMS, доказав, что сквозное обнаружение применимо для приложений, работающих в режиме реального времени.

Ultralytics использует этот прорыв и совершенствует его. Благодаря сочетанию конструкции NMS со стабильностью оптимизатора MuSGD, удобным для периферийных устройств удалением DFL и универсальной поддержкой Ultralytics , YOLO26 предлагает наиболее сбалансированное и высокопроизводительное решение для современных разработчиков. Независимо от того, создаете ли вы интеллектуальную систему управления дорожным движением в городе или мобильный сканер документов, YOLO26 обеспечивает скорость и точность, необходимые для успеха.