YOLO26 против YOLOv7: Эволюция detect объектов в реальном времени
Ландшафт компьютерного зрения быстро развивается, и выбор правильной модели для вашего приложения критически важен для баланса скорости, точности и простоты развертывания. Эта страница представляет техническое сравнение между YOLO26, новейшей передовой моделью от Ultralytics, и YOLOv7, высокоуважаемой устаревшей моделью, выпущенной в 2022 году.
В то время как YOLOv7 представил значительные архитектурные инновации, такие как E-ELAN, YOLO26 представляет собой сдвиг парадигмы в сторону сквозной эффективности, нативного инференса без NMS и бесшовного развертывания на периферийных устройствах. Ниже мы анализируем их архитектуры, метрики производительности и идеальные сценарии использования, чтобы помочь вам решить, какая платформа лучше всего соответствует вашим потребностям.
Сравнение метрик производительности
В следующей таблице представлены различия в производительности между двумя архитектурами. YOLO26 демонстрирует превосходную эффективность, особенно в средах CPU, где проявляется его оптимизированный дизайн.
| Модель | размер (пиксели) | mAPval 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLO26: Новый стандарт эффективности
YOLO26, выпущенный Ultralytics в январе 2026 года, основывается на надежной экосистеме, созданной предыдущими версиями, такими как YOLO11. Разработанный Гленном Йохером и Цзин Цю, он представляет несколько прорывных технологий, направленных на упрощение конвейера операций машинного обучения (MLOps) и улучшение инференса на периферийных устройствах.
Ключевые архитектурные инновации
Определяющей особенностью YOLO26 является его сквозная конструкция без NMS. В отличие от традиционных детекторов, которые требуют подавления немаксимумов (NMS) для фильтрации дублирующихся ограничивающих рамок, YOLO26 обучен выводить окончательный detect напрямую. Это устраняет вычислительно затратный этап постобработки, что приводит к снижению задержки и детерминированному времени инференса.
Кроме того, YOLO26 включает удаление DFL. За счет удаления модуля Distribution Focal Loss архитектура модели упрощается. Это изменение имеет решающее значение для совместимости экспорта, значительно облегчая развертывание моделей в такие форматы, как ONNX или CoreML для мобильных приложений.
Стабильность обучения
YOLO26 включает оптимизатор MuSGD — гибридный подход, сочетающий стохастический градиентный спуск (SGD) с Muon, вдохновленный инновациями в обучении больших языковых моделей (LLM) от Moonshot AI. Это привносит стабильность обучения трансформеров в компьютерное зрение.
Производительность и варианты использования
Благодаря увеличению скорости инференса на CPU до 43% по сравнению с предыдущими поколениями, YOLO26 является идеальным выбором для приложений, не имеющих мощных GPU, таких как системы безопасности на базе Raspberry Pi или мобильная дополненная реальность. Интеграция ProgLoss и STAL (Small-Target-Aware Label Assignment) гарантирует, что, несмотря на свою скорость, он превосходно справляется с detect мелких объектов, что является распространенной проблемой в изображениях с дронов и спутниковом анализе.
YOLOv7: Наследие «Bag-of-Freebies»
YOLOv7, разработанный Чиен-Яо Вангом, Алексеем Бочковским и Хун-Юань Марком Ляо, был выпущен в июле 2022 года. При своем запуске он установил новые эталоны скорости и точности. Вы можете ознакомиться с оригинальным исследованием в их статье на Arxiv.
Архитектура и методология
YOLOv7 представил Расширенную эффективную сеть агрегации слоев (E-ELAN). Эта архитектура позволяет модели изучать более разнообразные признаки, контролируя кратчайшие и длиннейшие градиентные пути. Она активно использовала «бесплатные приемы» — методы обучения, которые повышают точность без увеличения затрат на инференс, такие как репараметризация и обучение вспомогательной головы.
Текущее положение
Хотя YOLOv7 остается производительной моделью, она полагается на детектирование на основе якорей и требует постобработки NMS. В современных сценариях инференса в реальном времени это приводит к дополнительной задержке, которую успешно устранили новые модели, такие как YOLO26. Кроме того, поддержка ее экосистемы менее интегрирована по сравнению с бесшовным инструментарием, предоставляемым пакетом Ultralytics.
Подробное техническое сравнение
Скорость инференса и эффективность использования ресурсов
Одно из наиболее значительных различий заключается в требованиях к памяти и вычислениям. YOLO26 оптимизирован для квантования модели, поддерживая развертывание INT8 с минимальной потерей точности. Удаление DFL и головы без NMS означает, что YOLO26 потребляет меньше памяти во время инференса, что делает его гораздо более универсальным для устройств Промышленного Интернета вещей (IIoT).
В отличие от этого, зависимость YOLOv7 от NMS означает, что время инференса может колебаться в зависимости от количества объектов в сцене (поскольку NMS масштабируется с количеством обнаружений), тогда как YOLO26 предлагает более стабильное, детерминированное время.
Универсальность и поддержка задач
Экосистема Ultralytics позволяет пользователям беспрепятственно переключаться между задачами. В то время как YOLOv7 в основном известен своим детектированием (с некоторыми ветвями для оценки позы, доступными в отдельных реализациях), YOLO26 предлагает унифицированный фреймворк.
- YOLO26: Встроенная поддержка Обнаружения объектов, Сегментации экземпляров, Оценки позы, Ориентированного ограничивающего прямоугольника (OBB) и Классификации.
- YOLOv7: В основном Обнаружение объектов.
Простота использования и экосистема
Ultralytics уделяет приоритетное внимание удобству разработчиков. Обучение модели YOLO26 требует всего нескольких строк кода на python, тогда как устаревшие модели часто полагаются на сложные shell-скрипты и файлы конфигурации.
from ultralytics import YOLO
# Load a pretrained YOLO26 model (recommended for new projects)
model = YOLO("yolo26n.pt")
# Train on a custom dataset with a single command
model.train(data="coco8.yaml", epochs=100)
Эта интеграция распространяется на Платформу Ultralytics, которая упрощает управление данными и облачное обучение, а также включает обширную документацию, постоянно обновляемую сообществом.
Заключение
При сравнении YOLO26 и YOLOv7 выбор зависит от стадии жизненного цикла вашего проекта. Если вы поддерживаете унаследованную кодовую базу, созданную примерно в 2022 году, YOLOv7 остается допустимым выбором. Однако для любой новой разработки YOLO26 является превосходным вариантом.
YOLO26 предлагает современную архитектуру, которая быстрее, компактнее и проще в обучении. Его дизайн без NMS решает давние проблемы развертывания, а оптимизатор MuSGD обеспечивает надежную сходимость обучения. Выбирая Ultralytics, вы также получаете доступ к процветающей экосистеме и инструментам, которые ускоряют выход вашего продукта на рынок.
Разработчики, заинтересованные в изучении других современных архитектур, также могут рассмотреть YOLO11 или YOLOE для конкретных задач с открытым словарем.