YOLO26 и YOLOv7#

В истории обнаружения объектов в реальном времени было немало важных вех, и Ultralytics YOLO26 и YOLOv7 — две из них. В 2022 году YOLOv7 представила методологию «bag-of-freebies», установившую новые ориентиры точности, а YOLO26 добавляет оптимизацию для периферийных устройств, опциональный сквозной инференс и стабильную динамику обучения, вдохновлённую обучением больших языковых моделей (LLM).

На этой странице сравниваются две архитектуры: анализируются их показатели производительности, структурные различия и оптимальные сценарии развёртывания, чтобы помочь инженерам машинного обучения принимать обоснованные решения для следующих проектов в области ИИ для 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 максимизации производительности на мощных GPU к оптимизации сквозного развёртывания на периферийных устройствах.

YOLO26: архитектура с приоритетом периферийных устройств#

Выпущенная в январе 2026 года YOLO26 переосмысливает конвейер развёртывания. Самое значительное изменение — сквозная архитектура без NMS. Пропуская постобработку Non-Maximum Suppression (NMS) с помощью опциональной головы один-к-одному (nms=False), YOLO26 снижает вариативность задержки — концепцию, впервые представленную в YOLOv10. Это обеспечивает стабильную частоту кадров даже в сценах с большим количеством объектов, что критически важно для автономной робототехники и мониторинга дорожного движения.

YOLO26 также удаляет Distribution Focal Loss (DFL). Удаление DFL упрощает экспорт в такие форматы, как ONNX и Apple CoreML, а также помогает YOLO26n достигать инференса на CPU до 43% быстрее, чем YOLO11n.

Ещё один важный приоритет — стабильность обучения. Новый оптимизатор MuSGD — гибрид стандартного стохастического градиентного спуска и Muon, вдохновлённый динамикой обучения Kimi K2, — переносит стабильность обучения LLM в компьютерное зрение. В сочетании с ProgLoss + STAL (Progressive Loss и Small-Target-Aware Label Assignment) YOLO26 улучшает распознавание небольших объектов — давнюю проблему детекторов реального времени.

YOLOv7: обучаемый набор бесплатных улучшений#

YOLOv7 была создана на основе подробного исследования оптимизации путей градиента. Её ключевое нововведение — Extended Efficient Layer Aggregation Network (E-ELAN), которая позволяет модели изучать более разнообразные признаки, не нарушая исходные пути градиента.

В архитектуре YOLOv7 также используются методы перепараметризации во время инференса: слои объединяются, чтобы повысить скорость без потери насыщенных представлений признаков, полученных при обучении. Хотя этот подход хорошо работает на серверных GPU со стандартным NVIDIA TensorRT, он по-прежнему опирается на головы обнаружения с якорями и традиционный NMS, что может усложнить развёртывание на устройствах с низким энергопотреблением.

Сравнение производительности#

В таблице ниже приведено прямое сравнение моделей, обученных на стандартном наборе данных COCO. YOLO26 повышает точность (mAP) при меньшем количестве параметров и FLOPs: например, YOLO26l достигает 55,0 mAP против 51,4 у YOLOv7l при 24,8 млн против 36,9 млн параметров.

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

Преимущества экосистемы Ultralytics#

Одна из ключевых причин выбрать YOLO26 — её интеграция с платформой Ultralytics. В отличие от старых архитектур, для которых нужны отдельные скрипты, Ultralytics предлагает единый рабочий процесс.

1. Простота использования: API Python позволяет загружать, обучать и развёртывать модели всего несколькими строками кода. Для экспорта в мобильные форматы, такие как LiteRT, достаточно изменить один аргумент.
2. Требования к памяти: Модели Ultralytics спроектированы для эффективного обучения. Обычно им требуется меньше памяти CUDA, чем тяжёлым моделям компьютерного зрения на основе Transformer, что позволяет исследователям использовать более крупные размеры пакетов на потребительском оборудовании.
3. Универсальность: В то время как YOLOv7 использует отдельные ветки кода для разных задач, YOLO26 поддерживает в одной библиотеке сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). В ней также есть специализированные для конкретных задач функции потерь, например Residual Log-Likelihood Estimation (RLE) для конвейеров оценки позы человека.
4. Активная разработка: Сообщество Ultralytics с открытым исходным кодом регулярно выпускает обновления, быстро исправляет редкие проблемы и поддерживает совместимость с последними версиями PyTorch.

Примеры применения в реальных условиях#

Архитектурные различия этих моделей определяют оптимальные сценарии их развёртывания.

Когда выбирать YOLO26#

Для новых систем компьютерного зрения рекомендуется YOLO26.

• Периферийный ИИ и IoT: Благодаря быстрому инференсу на CPU и небольшому количеству параметров YOLO26n подходит для устройств с ограниченными ресурсами, например Raspberry Pi или камер умного города.
• Дроны и аэрофотоснимки: Интеграция ProgLoss + STAL улучшает обнаружение небольших объектов, что делает модель подходящей для осмотра трубопроводов и точного земледелия.
• Многозадачная робототехника: Модель обрабатывает ограничивающие рамки, маски сегментации и ключевые точки позы в единой структуре с низкими затратами памяти, поэтому подходит для динамической навигации и взаимодействия роботов.

Когда стоит выбрать YOLOv7#

Хотя более новые архитектуры в основном вытеснили YOLOv7, у неё всё ещё есть конкретные области 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#

Процесс разработки отличается от стандартных исследовательских репозиториев. Обучение собственной модели YOLO26 занимает всего несколько строк кода:

from ultralytics import YOLO

# Загрузи последнюю 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 важной вехой в истории обнаружения объектов в реальном времени, однако индустрия перешла к моделям, в которых в приоритете простота развёртывания, универсальность для нескольких задач и эффективность на периферийных устройствах.

Благодаря опциональному инференсу без NMS, оптимизатору MuSGD и более высокой скорости инференса на CPU сегодня разработчикам и корпоративным инженерам рекомендуется Ultralytics YOLO26. В сочетании с удобной экосистемой Ultralytics эта модель обеспечивает хороший баланс скорости, точности и простоты использования.