YOLO26 против YOLOv8#

Эволюция компьютерного зрения определялась стремлением к производительности в реальном времени без ущерба для точности. По мере того как разработчики и исследователи осваивают ландшафт современного машинного обучения, выбор правильной архитектуры модели имеет решающее значение. В этом исчерпывающем техническом сравнении рассматривается эволюционный скачок от Ultralytics YOLOv8 — невероятно популярной архитектуры, переопределившей стандарт в 2023 году, к передовой Ultralytics YOLO26, выпущенной в январе 2026 года.

Изучая их архитектуры, показатели производительности и методологии обучения, мы показываем, почему переход на последние инновации дает явные преимущества для обнаружения объектов, сегментации и не только.

История модели и метаданные#

Понимание истоков этих архитектур дает контекст для их соответствующих прорывов. Обе модели были разработаны компанией Ultralytics, известной тем, что она делает передовой ИИ доступным и простым в развертывании.

Характеристики 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/

Узнай больше о YOLO26

Характеристики 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/

Узнай больше о YOLOv8

Архитектурные инновации#

Переход с YOLOv8 на YOLO26 знаменует собой значительный сдвиг в парадигме того, как нейронные сети обрабатывают визуальные данные и вычисляют функцию потерь.

YOLO26: Вершина эффективности для граничных устройств#

YOLO26 была спроектирована с нуля для устранения узких мест при развертывании и максимизации скорости вывода на аппаратном обеспечении с ограниченными ресурсами.

• Конструкция «от конца к концу» без NMS: Опираясь на концепции, впервые примененные в YOLOv10, YOLO26 изначально использует сквозную архитектуру. За счет полного исключения постобработки методом подавления не максимальных значений (NMS) вариативность задержки практически сводится к нулю. Это упрощает логику развертывания для приложений, требующих строгих гарантий работы в реальном времени.
• Удаление DFL: Удаление функции потерь распределения (DFL) кардинально упрощает выходную голову. Этот архитектурный выбор обеспечивает значительно лучшую совместимость с маломощными периферийными устройствами и более простой экспорт в такие форматы, как ONNX и CoreML.
• Оптимизатор MuSGD: Вдохновленная стабильностью обучения больших языковых моделей (LLM), таких как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид стохастического градиентного спуска (SGD) и Muon. Это привносит инновации обучения масштаба LLM в компьютерное зрение, обеспечивая более быструю сходимость и высокую стабильность обучения.
• ProgLoss + STAL: Для борьбы с исключительно сложной проблемой распознавания мелких объектов в YOLO26 реализована прогрессивная функция потерь (ProgLoss) в сочетании с функцией потерь якорных рамок, нечувствительной к масштабу (STAL). Это обеспечивает критически важные улучшения для обнаружения мелких объектов, что делает модель идеальной для использования в дронах.

YOLOv8: Высокоуниверсальная рабочая лошадка#

Выпущенная в 2023 году, YOLOv8 установила новый стандарт, полностью перейдя на архитектуру без использования якорей (anchor-free), что позволило модели лучше адаптироваться к разным соотношениям сторон в наборах данных.

• Модуль C2f: Он заменил устаревший модуль C3 блоком C2f, что обеспечило лучший поток градиентов по всей магистрали сети (backbone).
• Развязанный (Decoupled) заголовок: YOLOv8 оснащена развязанным заголовком, в котором классификация и регрессия ограничивающих рамок вычисляются независимо, что значительно повышает среднюю точность (mAP).
• Универсальность задач: Это была одна из первых моделей, обеспечивших по-настоящему унифицированный API для классификации изображений, обнаружения, сегментации и задач оценки позы «из коробки».

Метрики производительности и требования к ресурсам#

При оценке моделей для производства баланс между точностью, скоростью вывода и размером модели имеет первостепенное значение. YOLO26 демонстрирует явное преимущество нового поколения во всех размерах.

Примечание: Выделенные значения демонстрируют баланс производительности и выигрыш в эффективности архитектуры YOLO26 по сравнению с ее предшественницей.

Анализ#

YOLO26 обеспечивает поразительное ускорение инференса на CPU до 43% по сравнению с аналогичными моделями YOLOv8. Например, YOLO26n достигает 38,9 мс на CPU с использованием ONNX по сравнению с 80,4 мс у YOLOv8n, и все это при увеличении mAP с 37,3 до 40,9. Этот колоссальный скачок эффективности CPU является прямым результатом удаления DFL и конструкции без NMS, что делает YOLO26 абсолютным лидером для сред, где отсутствуют выделенные GPU.

Кроме того, модели YOLO26 имеют меньшее количество параметров и FLOP для своих весовых категорий, что означает значительно сниженное использование памяти GPU во время инференса и обучения по сравнению с устаревшими архитектурами на базе Transformer.

Преимущества экосистемы Ultralytics#

Важным фактором при выборе модели ИИ является окружающая инфраструктура. И YOLO26, и YOLOv8 колоссально выигрывают от использования унифицированной платформы Ultralytics Platform, обеспечивающей непревзойденный опыт разработки.

1. Простота использования: Философия «от нуля до героя» гарантирует, что ты сможешь загружать, обучать и экспортировать модели с минимумом кода. Python API остается последовательным на протяжении всех поколений моделей.
2. Эффективность обучения: Модели Ultralytics YOLO требуют значительно меньшего объема памяти CUDA во время циклов обучения по сравнению с моделями Transformer (такими как RT-DETR). Это позволяет использовать большие размеры батчей на потребительском «железе», делая исследования в области ИИ доступнее.
3. Поддерживаемая экосистема: Репозиторий Ultralytics, поддерживаемый постоянными обновлениями, строгими пайплайнами CI/CD и глубокой интеграцией с такими инструментами, как Weights & Biases и TensorRT, отличается надежностью и готовностью к работе в продакшене.
4. Непревзойденная универсальность: Модели Ultralytics — это не узкоспециализированные инструменты; один импорт позволяет работать с разнообразными наборами данных, расширяя рабочие процессы для сложных систем, требующих одновременного трекинга, классификации и сегментации.

Применение в реальных условиях#

Выбор между этими моделями часто зависит от твоих ограничений при развертывании, хотя для новых проектов мы повсеместно рекомендуем использовать YOLO26.

Периферийные вычисления и IoT-сети#

Для периферийных сред — таких как развертывание на Raspberry Pi или локальные датчики на производственных линиях — YOLO26 является бесспорним чемпионом. Ее изначально оптимизированная скорость на CPU и структура без NMS означают, что умные камеры могут обрабатывать видео с высокой частотой кадров для управления парковкой, не теряя кадры из-за узких мест в постобработке.

Высокогорная и аэрофотосъемка#

В сельскохозяйственном мониторинге или инспекции инфраструктуры с помощью дронов обнаружение мелких объектов имеет первостепенное значение. Реализация ProgLoss + STAL в YOLO26 позволяет ей стабильно обнаруживать мелких вредителей или микротрещины в трубопроводах, которые более старые архитектуры, такие как YOLOv8, могут пропустить, обеспечивая превосходную полноту (recall) и точность на таких датасетах, как VisDrone.

Устаревшие системы с GPU#

YOLOv8 остается актуальной для систем, сильно привязанных к специфическим результатам регрессии рамок или корпоративных развертываний, которые заблокированы в рамках длительных циклов валидации и не могут легко сменить архитектуру.

Сценарии использования и рекомендации#

Выбор между YOLO26 и YOLOv8 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда стоит выбрать YOLO26#

YOLO26 — отличный выбор для:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Когда выбирать YOLOv8#

YOLOv8 рекомендуется для:

• Универсальное многозадачное развертывание: Проекты, требующие проверенной модели для обнаружения, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Устоявшихся производственных систем: существующих производственных сред, уже построенных на архитектуре YOLOv8 со стабильными и хорошо протестированными пайплайнами развертывания.
• Широкой поддержки сообщества и экосистемы: приложений, которым нужны обширные руководства по YOLOv8, сторонние интеграции и активные ресурсы сообщества.

Пример кода: с чего начать#

Использовать мощь новейших моделей Ultralytics невероятно просто. Следующий код на Python демонстрирует обучение модели YOLO26 на пользовательском наборе данных, показывая, как оптимизатор MuSGD автоматически обеспечивает быструю сходимость.

from ultralytics import YOLO

# Load the highly efficient YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train on the standard COCO8 dataset
# The ecosystem handles hyperparameter tuning and augmentations natively
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes CUDA if available
)

# Run end-to-end, NMS-free inference on a source image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the resulting detections
predictions[0].show()

Другие модели для рассмотрения#

Хотя YOLO26 представляет собой текущее состояние технологий, разработчикам, создающим разнообразные приложения, стоит также рассмотреть:

• YOLO11: Непосредственный предшественник YOLO26, предлагающий исключительную доработку по сравнению с YOLOv8 и до сих активно используемый в передовых производственных системах.
• RT-DETR: Реалтаймовый детектор на трансформерах от Baidu (Real-Time DEtection TRansformer). Это отличный выбор для исследователей, изучающих механизм внимания в задачах компьютерного зрения, хотя для обучения требуется значительно больше памяти CUDA по сравнению со стандартными моделями Ultralytics YOLO.

Чтобы получить доступ к исчерпывающему набору инструментов для облачного обучения, разметки датасетов и мгновенного развертывания, изучи платформу Ultralytics Platform уже сегодня.