Link to this sectionYOLO26 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.

Link to this sectionЭволюция архитектур без NMS#

Годами семейство моделей YOLO (You Only Look Once) активно полагалось на Non-Maximum Suppression (NMS) для фильтрации избыточных ограничивающих рамок при постобработке. Несмотря на эффективность, NMS вносит задержки при инференсе и усложняет развертывание на пограничных (edge) устройствах, таких как Raspberry Pi или специализированные нейронные процессоры (NPUs).

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.

Link to this sectionYOLOv10: Пионер в области детектирования без NMS#

Дата: 23.05.2024
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 стратегию согласованного двойного назначения (consistent dual-assignment), чтобы исключить необходимость в NMS. Благодаря комплексному подходу к проектированию модели, ориентированному на эффективность и точность, она уменьшила вычислительную избыточность, сохранив при этом высокий показатель 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

Link to this sectionYOLO26: новый стандарт для периферии и облака#

Дата: 14.01.2026
Авторы: Glenn Jocher и Jing Qiu
Организация: Ultralytics
Ресурсы: GitHub Repository | Ultralytics Platform

Выпущенная как преемник YOLO11, модель YOLO26 доводит концепцию работы без NMS до логического завершения. Она изначально объединяет сквозное детектирование 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 дают заметные улучшения в распознавании мелких объектов, что критически важно для аэросъемки и мониторинга безопасности на базе дронов.
• Улучшения для конкретных задач: YOLO26 — это не просто детектор. Она включает функцию потерь для семантической сегментации и мультимасштабные прототипы для сегментации, оценку остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированную функцию потерь угла для ориентированных ограничивающих рамок (OBB).

Узнай больше о YOLO26

Link to this sectionАнализ 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.

Link to this sectionПреимущество Ultralytics: Эффективность обучения и памяти#

When deploying models into production, memory requirements and training efficiency are just as crucial as inference speed. Ultralytics models, particularly YOLO26, are highly optimized to reduce CUDA memory usage during training. This allows developers to use larger batch sizes on consumer-grade GPUs, drastically cutting down training time and computational costs. Conversely, complex architectures or heavy transformer models like RT-DETR often require expensive, high-end hardware to train effectively.

Link to this sectionПрактическая реализация: Пример кода#

Отличительная черта Ultralytics — это передовая в отрасли простота использования. Благодаря интуитивно понятному Python API, миграция с устаревшей модели, такой как YOLOv8, на передовую YOLO26 требует изменения 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}")

Link to this sectionСценарии использования и рекомендации#

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

Link to this sectionКогда 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.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionКогда 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.
• Приложений с постоянной задержкой: Сценарии развертывания, где критически важна предсказуемость времени вывода, например, в робототехнике или автономных системах.

Link to this sectionЗаключение#

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, которые ценят активное сообщество, полную документацию и беспрепятственный опыт разработки, экосистема Ultralytics не имеет аналогов. Если ты изучаешь модели для специализированных сценариев, возможно, тебе стоит взглянуть на YOLO-World для детектирования с нулевым примером (zero-shot) и открытым словарем. Однако для подавляющего большинства реальных задач YOLO26 является окончательной рекомендацией.