YOLO26 и YOLOv8#

Эволюция компьютерного зрения определяется стремлением к работе в реальном времени без ущерба для точности. Разработчикам и исследователям, которые ориентируются в современном мире машинного обучения, крайне важно правильно выбрать архитектуру модели. В этом подробном техническом сравнении рассматривается переход от Ultralytics YOLOv8 — чрезвычайно популярной архитектуры, переосмыслившей стандарты в 2023 году, — к передовой Ultralytics YOLO26, выпущенной в январе 2026 года.

Разбирая архитектуру, показатели производительности и методики обучения этих моделей, мы показываем, почему переход на новейшие решения дает заметные преимущества в обнаружении объектов, сегментации и других задачах.

История моделей и метаданные#

Знание истории этих архитектур помогает понять, в чем заключаются их прорывы. Обе модели разработала компания Ultralytics, известная тем, что делает передовые решения в области ИИ доступными и простыми во внедрении.

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 от YOLOv8 к YOLO26 меняет подход к обработке визуальных данных и вычислению функции потерь в нейронных сетях.

YOLO26: эффективность на периферии на высшем уровне#

YOLO26 с нуля спроектировали так, чтобы устранить узкие места при развертывании и максимально повысить скорость инференса на устройствах с ограниченными ресурсами.

• Сквозная архитектура без NMS: Развивая идеи, впервые предложенные в YOLOv10, YOLO26 изначально использует сквозную архитектуру. Полное устранение постобработки Non-Maximum Suppression (NMS) практически исключает вариативность задержки. Это упрощает логику развертывания приложений, которым необходимы строгие гарантии работы в реальном времени.
• Отказ от DFL: Удаление Distribution Focal Loss (DFL) значительно упрощает выходную голову. Такое архитектурное решение обеспечивает гораздо лучшую совместимость с маломощными периферийными устройствами и упрощает экспорт в форматы ONNX и CoreML.
• Оптимизатор MuSGD: Вдохновившись стабильностью обучения больших языковых моделей (LLMs), таких как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon. Благодаря этому инновации в обучении моделей масштаба LLM применяются в компьютерном зрении, обеспечивая более быструю сходимость и высокую стабильность обучения.
• ProgLoss + STAL: Чтобы решить известную проблему распознавания крошечных объектов, YOLO26 использует Progressive Loss (ProgLoss) в сочетании с Small-Target-Aware Label Assignment (STAL). Это существенно улучшает обнаружение мелких объектов, что делает модель идеальной для задач с дронами.

YOLOv8: универсальная рабочая модель#

После выхода в 2023 году YOLOv8 установила новый ориентир, полностью перейдя на безъякорную архитектуру, которая лучше обобщала данные при разных соотношениях сторон изображений в наборах данных.

• Модуль C2f: Блок C2f заменил устаревший модуль C3, улучшив распространение градиентов по магистральной сети.
• Разделенная голова: В YOLOv8 используется разделенная голова, в которой классификация и регрессия ограничивающих рамок выполняются независимо, что значительно повышает среднюю точность (mAP).
• Универсальность задач: Это была одна из первых моделей с действительно унифицированным API для классификации изображений, обнаружения объектов, сегментации и оценки позы, доступных сразу после установки.

Показатели производительности и требования к ресурсам#

При оценке моделей для промышленной эксплуатации крайне важно учитывать баланс точности, скорости инференса и размера модели. YOLO26 демонстрирует явное преимущество нового поколения во всех вариантах размера.

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

Анализ#

YOLO26 обеспечивает значительно более быстрый инференс на CPU, чем сопоставимые модели YOLOv8, в большинстве размерных категорий. Например, YOLO26n выполняет инференс за 38.9 мс на CPU с использованием ONNX, тогда как YOLOv8n требуется 80.4 мс; при этом mAP возрастает с 37.3 до 40.9. Такой значительный прирост эффективности на CPU напрямую обусловлен отказом от DFL и архитектурой без NMS, благодаря чему YOLO26 особенно эффективна в системах без выделенных GPU.

Кроме того, у моделей YOLO26 меньше параметров и FLOPs в соответствующих размерных категориях, поэтому при инференсе и обучении они расходуют гораздо меньше памяти GPU, чем устаревшие архитектуры на базе Transformer.

Преимущества экосистемы Ultralytics#

При выборе модели ИИ важно учитывать инфраструктуру вокруг нее. И YOLO26, и YOLOv8 получают значительные преимущества от унифицированной платформы Ultralytics, обеспечивающей разработчикам непревзойденный опыт работы.

1. Простота использования: Принцип «от новичка до профи» позволяет загружать, обучать и экспортировать модели с минимальным количеством кода. API Python остается единообразным между поколениями моделей.
2. Эффективность обучения: Для обучения моделей Ultralytics YOLO требуется значительно меньше памяти CUDA, чем для моделей на базе Transformer (например, RT-DETR). Это позволяет использовать большие размеры пакетов на обычном оборудовании и делает исследования в области ИИ доступнее.
3. 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 разными наборами данных и сложными системами, которым одновременно нужны отслеживание, классификация и сегментация.

Применение в реальных условиях#

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

Периферийные вычисления и сети IoT#

Для периферийных сред — например, при развертывании на Raspberry Pi или использовании локальных датчиков на производстве — YOLO26 вне конкуренции. Оптимизированная скорость на CPU и архитектура без NMS позволяют умным камерам обрабатывать видео с высокой частотой кадров для управления парковкой, не теряя кадры из-за узких мест на этапе постобработки.

Съемка с большой высоты и аэрофотоснимки#

При мониторинге сельского хозяйства и инспекции инфраструктуры с помощью дронов особенно важно обнаруживать мелкие объекты. Реализация ProgLoss + STAL в YOLO26 позволяет стабильно находить крошечных вредителей и микротрещины в трубопроводах, которые могли бы пропустить старые архитектуры, такие как YOLOv8. На таких наборах данных, как VisDrone, модель обеспечивает более высокие полноту и точность.

Устаревшие системы с GPU#

YOLOv8 по-прежнему подходит системам, тесно связанным с ее конкретными выходными данными регрессии ограничивающих рамок, а также корпоративным решениям, для которых предусмотрены длительные циклы валидации и сложно сменить архитектуру.

Сценарии использования и рекомендации#

Выбор между YOLO26 и YOLOv8 зависит от требований конкретного проекта, ограничений развертывания и предпочтений при выборе 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 ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Когда выбрать YOLOv8#

YOLOv8 подойдет для:

• Универсальное решение 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#

Использовать возможности новейших моделей Ultralytics очень просто. В следующем примере кода на Python показано, как обучить 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 — современная передовая модель, разработчикам разнообразных приложений могут быть интересны и другие решения:

• YOLO11: непосредственный предшественник YOLO26, значительно усовершенствованный по сравнению с YOLOv8; модель до сих пор широко используется в передовых промышленных системах.
• RT-DETR: трансформер обнаружения объектов в реальном времени от Baidu. Это отличный выбор для исследователей, изучающих механизм внимания в задачах компьютерного зрения, однако для обучения модели требуется значительно больше памяти CUDA, чем для стандартных моделей Ultralytics YOLO.

Чтобы получить комплексное решение для облачного обучения, разметки наборов данных и быстрого развертывания, воспользуйся платформой Ultralytics уже сегодня.