YOLO26 против YOLOv8#

Эволюция компьютерного зрения определялась стремлением к работе в реальном времени без ущерба для точности. По мере того как разработчики и исследователи осваивают современный ландшафт машинного обучения, выбор подходящей архитектуры модели становится критически важным. В этом подробном техническом сравнении рассматривается скачок поколений от Ultralytics YOLOv8 — чрезвычайно популярной архитектуры, изменившей стандарты в 2023 году, — к передовой Ultralytics YOLO26, выпущенной в январе 2026 года.

Рассматривая их архитектуры, показатели производительности и методики обучения, мы показываем, почему переход на новейшие инновации дает заметные преимущества для обнаружения объектов, сегментации и других задач.

Архитектурные особенности и метаданные моделей#

Понимание происхождения этих архитектур дает контекст для их соответствующих прорывов. Обе модели разработаны компанией Ultralytics, известной тем, что делает передовые решения ИИ доступными и простыми 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

Сведения 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 от YOLOv8 к YOLO26 сопровождается значительными изменениями парадигмы в способах обработки визуальных данных и вычисления функции потерь нейронными сетями.

YOLO26: эталон эффективности на периферийных устройствах#

YOLO26 разработана с нуля для устранения узких мест при развертывании и максимального ускорения инференса на устройствах с ограниченными ресурсами.

• Сквозная архитектура без NMS: Опираясь на концепции, впервые реализованные в YOLOv10, YOLO26 изначально использует сквозную архитектуру. Полное устранение необходимости в постобработке с подавлением немаксимумов (NMS) практически исключает вариативность задержки. Это упрощает логику развертывания приложений, которым необходимы строгие гарантии работы в реальном времени.
• Удаление DFL: Удаление функции Distribution Focal Loss (DFL) значительно упрощает выходную головку. Такой архитектурный выбор обеспечивает существенно лучшую совместимость с периферийными устройствами низкого энергопотребления и упрощает экспорт в форматы, такие как ONNX и CoreML.
• Оптимизатор MuSGD: Вдохновленная стабильностью обучения, наблюдаемой в больших языковых моделях (LLMs), таких как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon. Это переносит инновации обучения уровня LLM в компьютерное зрение, обеспечивая более быструю сходимость и высокостабильные процессы обучения.
• ProgLoss + STAL: Чтобы справиться с крайне сложной задачей распознавания мелких объектов, в YOLO26 реализовано прогрессивное взвешивание потерь (ProgLoss) в сочетании с назначением меток с учетом мелких объектов (STAL). Это обеспечивает критически важные улучшения для обнаружения малых объектов, что делает модель идеальной для применения на дронах.

YOLOv8: универсальная рабочая лошадка#

После выхода в 2023 году YOLOv8 установила новый ориентир, полностью перейдя на безъякорную архитектуру, которая лучше обобщалась на датасеты с различными соотношениями сторон.

• Модуль C2f: Он заменил более старый модуль C3 блоком C2f, обеспечив лучший поток градиентов через магистральную сеть.
• Разделенная головка: YOLOv8 использует разделенную головку, в которой классификация и регрессия ограничивающих рамок вычисляются независимо, что значительно повышает среднюю точность (mAP).
• Универсальность задач: Это была одна из первых моделей, предоставивших действительно унифицированный API для классификации изображений, обнаружения, сегментации и задач оценки позы из коробки.

Показатели производительности и требования к ресурсам#

При оценке моделей для промышленной эксплуатации первостепенное значение имеет баланс между точностью, скоростью инференса и размером модели. YOLO26 демонстрирует явное преимущество нового поколения во всех вариантах размера.

Примечание: выделенные значения демонстрируют баланс производительности и прирост эффективности архитектуры YOLO26 по сравнению с ее предшественницей.

Анализ#

YOLO26 обеспечивает впечатляющее ускорение инференса на CPU до 43% по сравнению с аналогичными моделями YOLOv8. Например, YOLO26n выполняет инференс за 38,9 мс на CPU с использованием ONNX, тогда как результат YOLOv8n составляет 80,4 мс, при этом mAP повышается с 37,3 до 40,9. Этот огромный скачок эффективности на CPU напрямую обусловлен удалением DFL и архитектурой без NMS, что делает YOLO26 настоящей мощной моделью для сред без выделенных GPU.

Кроме того, модели YOLO26 имеют меньше параметров и FLOPs в соответствующих категориях размера, что означает значительно меньшее использование памяти GPU во время инференса и обучения по сравнению с устаревшими архитектурами на основе Transformer.

Преимущества экосистемы Ultralytics#

При выборе модели ИИ важно учитывать окружающую инфраструктуру. И YOLO26, и YOLOv8 получают значительные преимущества от унифицированной платформы Ultralytics, обеспечивающей исключительный опыт для разработчиков.

1. Простота использования: Философия «от нуля до героя» позволяет разработчикам загружать, обучать и экспортировать модели с минимальным объемом кода. Python API остается единообразным для разных поколений моделей.
2. Эффективность обучения: Модели Ultralytics YOLO требуют значительно меньше памяти CUDA во время обучения по сравнению с моделями на основе Transformer, такими как RT-DETR. Это позволяет использовать большие размеры батчей на потребительском оборудовании, делая исследования ИИ доступнее.
3. Хорошо поддерживаемая экосистема: Благодаря постоянным обновлениям, строгим конвейерам CI/CD и глубокой интеграции с такими инструментами, как Weights & Biases и TensorRT, репозиторий Ultralytics надежен и готов к промышленной эксплуатации.
4. Непревзойденная универсальность: Модели Ultralytics не ограничиваются одной задачей: одного импорта достаточно для работы с разнообразными датасетами и расширения рабочих процессов в сложных системах, которым одновременно требуются трекинг, классификация и сегментация.

Практические применения#

Выбор между этими моделями часто зависит от ограничений среды развертывания, хотя для новых проектов повсеместно рекомендуется YOLO26.

Периферийные вычисления и сети IoT#

Для периферийных сред — например, развертываний на Raspberry Pi или локальных датчиков на производственных площадках — YOLO26 является безусловным лидером. Оптимизированная изначально скорость работы на CPU и структура без NMS позволяют интеллектуальным камерам обрабатывать видео с высокой частотой кадров для управления парковкой без пропуска кадров из-за узких мест постобработки.

Высотная съемка и аэрофотоснимки#

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

Устаревшие GPU-системы#

YOLOv8 остается актуальной для систем, тесно связанных с ее специфическими выходными данными регрессии ограничивающих рамок, а также для корпоративных развертываний, зафиксированных в длительных циклах валидации и не позволяющих легко менять архитектуру.

Варианты применения и рекомендации#

Выбор между YOLO26 и YOLOv8 зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLO26#

YOLO26 — подходящий выбор для:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Когда стоит выбрать YOLOv8#

YOLOv8 рекомендуется для:

• Универсальное развертывание для нескольких задач: проектов, которым нужна проверенная модель для обнаружения, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Сформировавшиеся промышленные системы: существующих производственных сред, уже построенных на архитектуре YOLOv8 и использующих стабильные, тщательно протестированные конвейеры развертывания.
• Широкая поддержка сообщества и экосистемы: приложений, получающих преимущества от обширных руководств по YOLOv8, сторонних интеграций и активных ресурсов сообщества.

Пример кода: начало работы#

Использовать возможности новейших моделей Ultralytics невероятно просто. Следующий код на Python демонстрирует обучение модели YOLO26 на пользовательском датасете, при этом 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, которые стоит рассмотреть#

Хотя YOLO26 представляет современный передовой уровень, разработчики разнообразных приложений также могут рассмотреть следующие варианты:

• YOLO11: непосредственная предшественница YOLO26, предлагающая значительное усовершенствование по сравнению с YOLOv8 и широко используемая в передовых промышленных системах.
• RT-DETR: трансформер Baidu для обнаружения в реальном времени. Это отличный выбор для исследователей, изучающих механизм внимания в задачах компьютерного зрения, однако для обучения ему требуется значительно больше памяти CUDA по сравнению со стандартными моделями Ultralytics YOLO.

Если тебе нужен полный набор инструментов для облачного обучения, разметки датасетов и немедленного развертывания, изучи платформу Ultralytics уже сегодня.