Начать

YOLO26 против YOLOv10

Для приложений компьютерного зрения постоянно требуются более быстрые, точные и эффективные модели. В этом руководстве сравниваются две важные архитектуры обнаружения объектов в реальном времени — YOLO26 и YOLOv10 — с точки зрения архитектуры, показателей производительности и возможностей развертывания, чтобы помочь разработчикам и исследователям выбрать подходящую модель для своих приложений компьютерного зрения.

Развитие архитектур без NMS#

Много лет семейство YOLO (смотри только один раз) использовало подавление немаксимумов (NMS) для фильтрации лишних ограничивающих рамок во время постобработки. Хотя NMS эффективен, он увеличивает задержку инференса и усложняет развертывание на периферийных устройствах, таких как Raspberry Pi, или на специализированных нейропроцессорах (NPU).

YOLOv10 представила семейству YOLO сквозную архитектуру без NMS. Ultralytics YOLO26 усовершенствовала этот подход для промышленных сред в виде опциональной головы один-к-одному и распространила его на более широкий спектр задач.

Узкое место постобработки

Отказ от NMS устраняет динамический этап постобработки, зависящий от данных, который традиционно мешал оптимизации моделей компьютерного зрения на аппаратных ускорителях, таких как TensorRT и OpenVINO.

YOLOv10: обнаружение в реальном времени без NMS#

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 архитектура без NMS в серии YOLO, сокращающая 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.
  • Исследовательская направленность: кодовая база ориентирована скорее на исследования, чем на корпоративные производственные развертывания.

Подробнее о YOLOv10

YOLO26: новый стандарт для периферийных устройств и облака#

Выпущенная как преемница YOLO11, YOLO26 развивает концепцию отсутствия NMS с помощью опциональной головы «один-к-одному» (nms=False). Модель интегрирована с платформой Ultralytics, предлагающей инструменты для аннотирования, обучения и развертывания на всех этапах конвейера машинного обучения.

В YOLO26 внесено несколько архитектурных изменений:

  • Отказ от DFL: Distribution Focal Loss удалена. Это упрощает экспорт модели и повышает совместимость с периферийными устройствами и устройствами с низким энергопотреблением.
  • Инференс на CPU до 43% быстрее: благодаря отказу от DFL и структурным оптимизациям YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, поэтому хорошо подходит для развертывания в IoT-системах и на мобильных устройствах.
  • Оптимизатор MuSGD: вдохновленная методами обучения больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает более стабильное обучение и быструю сходимость в компьютерном зрении.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов (STAL) улучшают распознавание небольших объектов, что важно для аэрофотоснимков и мониторинга безопасности с помощью дронов.
  • Улучшения для отдельных задач: YOLO26 также поддерживает сегментацию, семантическую сегментацию, оценку глубины, классификацию, оценку позы и OBB. В модели добавлены функция потерь для семантической сегментации и многомасштабный модуль прототипов для сегментации, оценка остаточного логарифма правдоподобия (RLE) для оценки позы и специализированная функция потерь для углов для ориентированных ограничивающих рамок (OBB).

Анализ производительности и метрики#

В следующей таблице сравнивается качество обнаружения на COCO у моделей YOLO26 и YOLOv10. YOLO26 точнее при любом размере: преимущество составляет от +2,4 mAP у моделей n до +3,1 у моделей x, тогда как YOLOv10 использует меньше параметров и FLOPs при размере x (29,5 млн против 55,7 млн параметров, 160,4 млрд против 194,4 млрд FLOPs).

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Преимущества 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 потребления памяти CUDA во время обучения. Это позволяет разработчикам использовать более крупные размеры пакетов на потребительских GPU, сокращая время обучения и вычислительные затраты. Напротив, для эффективного обучения тяжелых архитектур Transformer, таких как RT-DETR, часто требуется дорогое высокопроизводительное оборудование.

Непрерывная интеграция и экосистема

Одно из ключевых преимуществ YOLO26 — интеграция с хорошо развитой экосистемой Ultralytics, которая охватывает весь рабочий процесс: от аннотирования данных до отслеживания экспериментов.

Практическая реализация: пример кода#

С API Python Ultralytics переход со старой модели, например YOLOv8, на YOLO26 требует изменить всего одну строку кода.

Вот пример обучения, запуска инференса и экспорта модели YOLO26:

from ultralytics import YOLO

# 1. Load the 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, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших 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 внесла значительный вклад в исследовательское сообщество, представив обнаружение объектов YOLO без NMS, а YOLO26 внедряет этот подход в производство. Благодаря инференсу на CPU до 43% быстрее (YOLO26n против YOLO11n), оптимизатору MuSGD и поддержке семи задач компьютерного зрения YOLO26 рекомендуется как для периферийных вычислений, так и для крупномасштабных облачных развертываний.

Если для твоей команды важны активное сообщество, подробная документация и удобство разработки, экосистема Ultralytics станет хорошим выбором. Для специализированных сценариев также стоит рассмотреть YOLO-World для обнаружения объектов с открытым словарем без примеров. Для большинства реальных задач рекомендуется YOLO26.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.