YOLO26 и YOLOv7#

Развитие обнаружения объектов в реальном времени отмечено многочисленными важными этапами. Ultralytics YOLO26 и YOLOv7 стали двумя значительными прорывами в возможностях компьютерного зрения. Вышедшая в 2022 году YOLOv7 представила эффективную методику «bag-of-freebies», переосмыслившую стандарты точности, а недавно выпущенная архитектура YOLO26 впервые предлагает оптимизацию с приоритетом периферийных устройств, изначально сквозную обработку и стабильную динамику обучения, вдохновленную инновациями в области больших языковых моделей (LLM).

В этом подробном разборе сравниваются две архитектуры, анализируются их показатели производительности, структурные различия и оптимальные сценарии развертывания, чтобы помочь инженерам машинного обучения принять взвешенное решение для следующего проекта в области ИИ и компьютерного зрения.

История и особенности моделей#

Прежде чем изучать показатели производительности, важно понять происхождение и основные цели каждой модели.

Ultralytics YOLO26#

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: Репозиторий Ultralytics
• Документация: Документация YOLO26

YOLOv7#

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информатики, Академия Синика, Тайвань
• Дата: 2022-07-06
• Arxiv: Статья о YOLOv7
• GitHub: Репозиторий YOLOv7

Узнай больше о YOLOv7

Подробный разбор архитектуры#

Архитектурные подходы YOLO26 и YOLOv7 существенно различаются, отражая переход от максимальной производительности на мощных GPU к оптимизации для простого сквозного развертывания на периферии.

YOLO26: подход с приоритетом периферийных устройств#

Выпущенная в 2026 году, YOLO26 полностью переосмысливает конвейер развертывания. Ее самый значительный прорыв — сквозная архитектура без NMS. Устраняя постобработку Non-Maximum Suppression (NMS), YOLO26 значительно снижает вариативность задержки; этот подход впервые успешно опробовали в YOLOv10. Это обеспечивает стабильную частоту кадров даже в густонаселенных сценах, что критически важно для автономной робототехники и мониторинга дорожного движения.

Кроме того, YOLO26 полностью избавилась от Distribution Focal Loss (DFL). Отказ от DFL упрощает экспорт в форматы ONNX и Apple CoreML, ускоряя инференс на CPU на 43%.

Стабильность обучения — ещё один важный приоритет. Внедрение оптимизатора MuSGD — гибрида стандартного стохастического градиентного спуска и Muon (вдохновлённого динамикой обучения Kimi K2) — переносит в компьютерное зрение передовые методы повышения стабильности обучения LLM. В сочетании с функциями потерь ProgLoss + STAL YOLO26 отлично справляется с распознаванием мелких объектов — задачей, которая исторически была сложной для детекторов реального времени.

YOLOv7: мастерское применение набора бесплатных приёмов#

YOLOv7 создан на основе всестороннего исследования оптимизации градиентных путей. Его ключевое нововведение — расширенная эффективная сеть агрегации слоёв (E-ELAN), которая позволяет модели изучать более разнообразные признаки, не нарушая исходные градиентные пути.

Архитектура YOLOv7 также активно использует методы репараметризации во время инференса: по сути, слои объединяются для ускорения работы без потери богатых представлений признаков, полученных при обучении. Хотя этот подход эффективен на стандартных серверных GPU с NVIDIA TensorRT, он по-прежнему опирается на головы детекции на основе якорей и традиционный NMS, что может осложнить развёртывание на устройствах с низким энергопотреблением.

Сравнение производительности#

В таблице ниже напрямую сравниваются модели, обученные на стандартном наборе данных COCO. YOLO26 значительно повышает точность (mAP), сохраняя при этом исключительный баланс числа параметров и FLOPs.

Примечание: YOLO26x значительно превосходит YOLOv7x по mAP (57,5 против 53,1), используя примерно на 22% меньше параметров.

Преимущества экосистемы Ultralytics#

Главная причина, по которой разработчики постоянно выбирают YOLO26, — глубокая интеграция с платформой Ultralytics. В отличие от отдельных скриптов, необходимых для старых архитектур, Ultralytics предлагает удобный единый рабочий процесс.

1. Простота использования: API Python позволяет загружать, обучать и развёртывать модели всего несколькими строками кода. Для экспорта в мобильные форматы, например LiteRT, достаточно изменить один аргумент.
2. Требования к памяти: модели Ultralytics тщательно оптимизированы для эффективного обучения. По сравнению с тяжёлыми моделями vision transformer им требуется значительно меньше памяти CUDA, что позволяет исследователям использовать бо́льшие размеры батчей на потребительском оборудовании.
3. Универсальность: для разных задач YOLOv7 требуются совершенно разные репозитории, тогда как YOLO26 из одной целостной библиотеки поддерживает классификацию изображений, сегментацию экземпляров, оценку позы и детекцию ориентированных ограничивающих рамок (OBB). В модель также входят функции потерь для конкретных задач, например оценка остаточного логарифмического правдоподобия (RLE) для конвейеров определения позы человека.
4. Активная разработка: сообщество Ultralytics с открытым исходным кодом регулярно выпускает обновления, обеспечивая быстрое устранение сложных частных случаев и постоянную совместимость с последними версиями PyTorch.

Примеры применения в реальных условиях#

Архитектурные различия этих моделей определяют, для каких сценариев развёртывания они подходят лучше всего.

Когда выбирать YOLO26#

YOLO26 — безусловный выбор для современных компьютерных систем машинного зрения, рассчитанных на будущее.

• Периферийный ИИ и IoT: благодаря ускорению инференса на CPU на 43% и небольшому числу параметров YOLO26n отлично подходит для устройств с ограниченными ресурсами, например Raspberry Pi, и камер умного города.
• Дроны и аэрофотосъёмка: интеграция ProgLoss + STAL значительно улучшает детекцию небольших объектов, поэтому модель отлично подходит для инспекции трубопроводов и точного земледелия.
• Многофункциональная робототехника: модель одновременно обрабатывает ограничивающие рамки, маски сегментации и ключевые точки позы с минимальными затратами памяти, поэтому отлично подходит для динамической навигации и взаимодействия роботов.

Когда стоит выбрать YOLOv7#

Хотя более новые архитектуры в основном вытеснили YOLOv7, у этой модели всё ещё есть отдельные узкоспециализированные применения.

• Академические бенчмарки: исследователи, разрабатывающие новые головы детекции на основе якорей или изучающие стратегии градиентных путей, часто используют YOLOv7 как стандартную модель для сравнения.
• Устаревшие GPU-конвейеры: корпоративные системы, специально созданные для работы с конкретными выходными тензорами YOLOv7 и пользовательскими конфигурациями NMS на мощных экземплярах AWS EC2 P4d, могут отложить переход на новые модели до необходимости полной переработки системы.

Пример кода: начало работы#

Удобство разработки особенно наглядно показывает разницу между стандартными исследовательскими репозиториями и экосистемой Ultralytics. Обучить собственную модель YOLO26 очень просто:

from ultralytics import YOLO

# Загрузи самую современную компактную модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель на своём наборе данных с автоматическим кэшированием и ведением журнала
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="0")

# Выполни сквозное предсказание без NMS на внешнем изображении
predictions = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируй оптимизированную модель для развёртывания на периферийных устройствах
model.export(format="onnx")

Заключение#

YOLOv7 остаётся значимой вехой в истории детекции объектов в реальном времени, однако отрасль активно переходит к моделям, в которых приоритет отдан простоте развёртывания, универсальности для разных задач и эффективности на периферийных устройствах.

Благодаря инференсу без NMS, оптимизатору MuSGD и значительному ускорению инференса на CPU Ultralytics YOLO26 сегодня становится очевидным выбором разработчиков и инженеров корпоративных систем. В сочетании с надёжной и удобной экосистемой Ultralytics модель обеспечивает непревзойдённый баланс скорости, точности и удовольствия от разработки.