YOLO26 и YOLOv8#

Модели компьютерного зрения должны работать в реальном времени без ущерба для точности. Для разработчиков в области машинного обучения крайне важно выбрать подходящую архитектуру модели. В этом техническом сравнении рассматривается переход от Ultralytics YOLOv8 — широко распространенной архитектуры, выпущенной в 2023 году, — к Ultralytics YOLO26, выпущенной в январе 2026 года.

Сравнивая архитектуры, показатели производительности и методики обучения этих моделей, можно понять, в каких случаях обновление дает преимущества для обнаружения объектов, сегментации и других задач.

История моделей и метаданные#

Знание истории этих архитектур помогает понять причины принятых при их разработке решений. Обе модели разработаны компанией Ultralytics, которая стремится сделать ИИ для компьютерного зрения доступным и простым в развертывании.

Сведения о YOLO26:

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: https://docs.ultralytics.com/models/yolo26

Подробнее о YOLOv8:

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: https://docs.ultralytics.com/models/yolov8

Архитектурные инновации#

Переход с YOLOv8 на YOLO26 меняет способ формирования предсказаний сети и расчета функции потерь.

YOLO26: эффективность на периферийных устройствах#

YOLO26 разработана для устранения узких мест развертывания и максимального увеличения скорости инференса на устройствах с ограниченными ресурсами.

• Сквозная архитектура без NMS: Развивая обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 поддерживает сквозной инференс благодаря опциональной голове один-к-одному (nms=False). Пропуск этапа постобработки — подавления немаксимумов (NMS) — уменьшает вариативность задержки и упрощает логику развертывания приложений, которым нужны строгие гарантии работы в реальном времени.
• Отказ от DFL: удаление Distribution Focal Loss (DFL) упрощает выходную голову. Это архитектурное решение повышает совместимость с маломощными периферийными устройствами и упрощает экспорт в такие форматы, как ONNX и CoreML.
• Оптимизатор MuSGD: Вдохновлённый стабильностью обучения, наблюдавшейся у больших языковых моделей (LLMs), таких как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon. Он переносит идеи обучения LLM в компьютерное зрение, обеспечивая более быструю сходимость и стабильное обучение.
• ProgLoss + STAL: Для решения сложной задачи распознавания небольших объектов YOLO26 использует Progressive Loss (ProgLoss) в сочетании с Small-Target-Aware Label Assignment (STAL). Это улучшает обнаружение небольших объектов, поэтому модель хорошо подходит для применения на дронах.

YOLOv8: универсальная рабочая модель#

Выпущенная в 2023 году YOLOv8 установила новую планку, полностью перейдя на безъякорную архитектуру, которая лучше обобщает данные с разными соотношениями сторон в наборах данных.

• Модуль C2f: Блок C2f заменил устаревший модуль C3, улучшив распространение градиентов по магистральной сети.
• Разделённая голова: В YOLOv8 используется разделённая голова: классификация и регрессия ограничивающих рамок выполняются независимо, что повышает среднюю точность (mAP).
• Универсальность задач: Это была одна из первых моделей с единым API для обнаружения объектов, сегментации, классификации изображений, оценки позы, а позднее — и задач OBB прямо из коробки.

Показатели производительности и требования к ресурсам#

При оценке моделей для промышленного использования критически важно найти баланс между точностью, скоростью инференса и размером модели. YOLO26 точнее YOLOv8 при любом размере, имеет меньше параметров и FLOPs, а также меньшую задержку TensorRT на T4, начиная с масштаба s.

Примечание: выделенные значения показывают, как архитектура YOLO26 сочетает производительность с эффективностью и превосходит предшественника.

Анализ#

В большинстве масштабов инференс YOLO26 на CPU выполняется быстрее, чем у сопоставимых моделей YOLOv8. Например, YOLO26n выполняется на CPU с ONNX за 38,9 мс против 80,4 мс у YOLOv8n, при этом mAP возрастает с 37,3 до 40,9. Такой прирост эффективности на CPU во многом обусловлен удалением DFL и головой без NMS, благодаря чему YOLO26 отлично подходит для сред без выделенных GPU. Исключение — YOLOv8x: на CPU она работает быстрее YOLO26x (479,1 мс против 525,8 мс).

Кроме того, у моделей YOLO26 меньше параметров и FLOPs в соответствующих категориях размеров, что снижает использование памяти GPU при инференсе и обучении.

Преимущества экосистемы Ultralytics#

При выборе модели ИИ важно учитывать окружающую инфраструктуру. И YOLO26, и YOLOv8 используют единую платформу Ultralytics и обеспечивают одинаковый опыт разработки.

1. Простота использования: Разработчики могут загрузить, обучить и экспортировать модели всего несколькими строками кода. API Python остаётся единообразным для разных поколений моделей.
2. Эффективность обучения: Для обучения моделей Ultralytics YOLO обычно требуется меньше памяти CUDA, чем для моделей на основе Transformer (например, RT-DETR). Это позволяет использовать более крупные размеры пакетов на потребительском оборудовании.
3. Хорошо поддерживаемая экосистема: Благодаря постоянным обновлениям, строгим конвейерам CI/CD и глубокой интеграции с такими инструментами, как Weights & Biases и TensorRT, репозиторий Ultralytics готов к промышленному использованию.
4. Универсальность: Один импорт поддерживает разные задачи и наборы данных, включая сложные системы, которым одновременно нужны трекинг, классификация и сегментация.

Применение в реальных условиях#

Выбор между этими моделями часто зависит от ограничений развёртывания, однако для новых проектов рекомендуется YOLO26.

Периферийные вычисления и сети IoT#

Для периферийных сред, например развёртывания на Raspberry Pi или локальных датчиков в производственных цехах, YOLO26 — более подходящий выбор. Высокая скорость работы на CPU и возможность использовать голову без NMS помогают умным камерам обрабатывать видео с высокой частотой кадров для управления парковкой без узких мест на этапе постобработки.

Съемка с большой высоты и аэрофотоснимки#

При мониторинге сельскохозяйственных угодий или осмотре инфраструктуры с помощью дронов важно обнаруживать небольшие объекты. Реализация ProgLoss + STAL в YOLO26 помогает находить мелких вредителей или тонкие трещины в трубопроводах, которые могли бы пропустить более старые архитектуры, например YOLOv8. Это полезно при обучении на аэрофотоснимках из наборов данных, таких как VisDrone.

Устаревшие системы с GPU#

YOLOv8 по-прежнему актуальна для систем, тесно связанных с её конкретными выходными данными регрессии ограничивающих рамок, а также для корпоративных решений, привязанных к длительным циклам валидации, в которых сложно сменить архитектуру.

Сценарии использования и рекомендации#

Выбор между YOLO26 и YOLOv8 зависит от требований конкретного проекта, ограничений развёртывания 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 только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
• Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Когда выбрать YOLOv8#

YOLOv8 подойдет для:

• Универсальное развёртывание для нескольких задач: Проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
• Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Пример кода: начало работы#

Следующий код Python показывает, как обучить модель YOLO26 на наборе данных COCO8 и выполнить инференс без NMS.

from ultralytics import YOLO

# Загрузи высокоэффективную модель YOLO26 Nano
model = YOLO("yolo26n.pt")

# Обучи модель на стандартном наборе данных COCO8
# Гиперпараметры и аугментации по умолчанию применяются автоматически
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # первый GPU CUDA; укажи device="cpu", чтобы обучать на CPU
)

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

# Визуализируй результаты обнаружения
predictions[0].show()

Другие модели, которые стоит рассмотреть#

Хотя YOLO26 — рекомендуемая модель Ultralytics, разработчикам разнообразных приложений также стоит обратить внимание на:

• YOLO11: Непосредственный предшественник YOLO26, усовершенствованная версия YOLOv8, которая до сих пор широко используется в производственных системах.
• RT-DETR: трансформер для обнаружения объектов в реальном времени от Baidu. Это хороший выбор для исследователей, изучающих механизм внимания в задачах компьютерного зрения, однако для обучения требуется больше памяти CUDA, чем для стандартных моделей Ultralytics YOLO.

Для обучения в облаке, разметки наборов данных и развёртывания в одном месте смотри платформу Ultralytics.