YOLO26 и YOLOX#

В 2021 году YOLOX предложила влиятельную безъякорную архитектуру, которая сблизила академические исследования и промышленное применение обнаружения объектов в реальном времени. В январе 2026 года Ultralytics YOLO выпустила YOLO26. В этом сравнении рассматривается, как YOLO26 развивает прежние инновации и чем отличается по производительности, универсальности и простоте использования.

Обзор моделей#

Чтобы принимать обоснованные решения о развёртывании, важно понимать происхождение этих моделей и лежащие в их основе принципы.

Подробно о YOLO26#

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: Репозиторий Ultralytics на GitHub
• Документация: Официальная документация YOLO26

YOLO26 — новейшая модель Ultralytics YOLO с опциональной сквозной головой без NMS (nms=False), устраняющей узкие места на этапе постобработки. Модель оптимизирована для развёртывания в облаке и на периферийных устройствах; её экосистема поддерживает самые разные задачи компьютерного зрения.

Подробно о YOLOX#

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 2021-07-18
• arXiv: Технический отчет о YOLOX
• GitHub: Репозиторий YOLOX на GitHub
• Документация: Документация YOLOX

Узнай больше о YOLOX

YOLOX стала важным шагом вперёд: в ней появились раздельная голова, архитектура без якорей и стратегия назначения меток SimOTA. На момент выхода модель отлично сочетала скорость и точность, поэтому стала популярным выбором для многих устаревших систем.

Архитектурные инновации#

Различия между YOLO26 и YOLOX отражают прогресс в проектировании моделей глубокого обучения с 2021 по 2026 год.

YOLOX популяризировала безанкерный подход, но по-прежнему использовала традиционное подавление немаксимумов (NMS) для фильтрации избыточных ограничивающих рамок. В YOLO26 добавлена опциональная голова сквозного режима без NMS (nms=False). Этот подход, внедренный в модели YOLO с выходом YOLOv10, пропускает постобработку с помощью NMS, ускоряя и упрощая конвейеры развертывания и уменьшая вариативность задержки.

Кроме того, в YOLO26 реализовано удаление DFL. Удаление Distribution Focal Loss упрощает экспорт и повышает совместимость с периферийными устройствами и маломощным оборудованием. В сочетании с другими архитектурными оптимизациями это позволяет YOLO26n работать на CPU до 43% быстрее, чем YOLO11n, что делает модель подходящей для сред без выделенных GPU.

Ещё одно важное отличие — стабильность обучения. В YOLO26 используется оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый инновациями обучения LLM от Moonshot AI. Этот оптимизатор переносит стабильность обучения больших языковых моделей в компьютерное зрение и способствует более быстрой сходимости.

Производительность и тесты#

На наборе данных COCO YOLO26 достигает более высокого mAP, чем YOLOX, для каждого сопоставимого размера (например, 48.6 против 40.5 для моделей размера s) и обеспечивает меньшую задержку TensorRT на T4.

Примечание: YOLO26x достигает 57.5 mAP при 55.7M параметров, тогда как YOLOXx — 51.1 mAP при 99.1M параметров.

Экосистема и простота использования#

Одно из главных преимуществ YOLO26 — хорошо поддерживаемая экосистема Ultralytics. Для работы с YOLOX нужно разбираться в исследовательских кодовых базах и вручную настраивать среду, тогда как Ultralytics предлагает более простой опыт разработки.

С помощью единого API Python разработчики могут легко переключаться между задачами: обнаружением объектов, сегментацией экземпляров, семантической сегментацией, оценкой глубины, классификацией изображений, оценкой позы и OBB. YOLOX ограничена обнаружением объектов с помощью рамок.

Пример обучения#

Обучать модель на собственном наборе данных с Ultralytics эффективно. Конвейер обучения позволяет поддерживать низкий расход памяти CUDA, благодаря чему на потребительском оборудовании можно использовать более крупные пакеты, чем со многими старыми архитектурами и ресурсоёмкими моделями на основе трансформеров.

from ultralytics import YOLO

# Инициализируй компактную модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Экспортируй обученную модель в формат ONNX для развёртывания
model.export(format="onnx")

Платформа Ultralytics дополнительно оптимизирует этот рабочий процесс, предлагая облачное обучение, аннотирование наборов данных с помощью ИИ и варианты развёртывания для команд, переходящих от прототипа к производству.

Оптимальные сценарии использования и реальные приложения#

Подходящая модель зависит от среды развёртывания.

Периферийный ИИ и IoT#

Для приложений, требующих локальной обработки на ограниченном оборудовании, например умных охранных сигнализаций или удалённых датчиков окружающей среды, лучше выбрать YOLO26. Опциональная голова без NMS и высокая скорость работы на CPU позволяют запускать модель на таких устройствах, как Raspberry Pi, без сложных обходных решений для квантования.

Автономная робототехника#

Для робототехнических приложений нужны высокая точность и низкая задержка. Возможности YOLO26 по оценке позы, усиленные оценкой остаточного логарифмического правдоподобия (RLE), позволяют роботам понимать кинематику человека в реальном времени. Отсутствие встроенного обнаружения ключевых точек в YOLOX делает её неподходящей для таких сложных задач взаимодействия человека и робота.

Инспекция с большой высоты и аэрофотосъёмка#

При осмотре инфраструктуры с помощью дронов важно обнаруживать небольшие дефекты. ProgLoss и STAL в YOLO26 повышают полноту обнаружения небольших объектов. Кроме того, YOLO26 изначально поддерживает ориентированные рамки объектов (OBB) и использует специальную функцию потерь для углов, устраняющую проблемы на границах. Это делает модель подходящей для спутниковых снимков и аэрофотосъёмки, где объекты могут быть повёрнуты под любым углом.

Развёртывание в устаревших системах#

YOLOX может пригодиться в устаревших средах, где существующие конвейеры развёртывания на C++ специально создавались под выходы её особой раздельной головы в 2021 году. Для новых проектов рекомендуется перейти на экосистему Ultralytics ради прироста производительности и постоянной поддержки сообщества.

Другие модели#

Хотя YOLO26 — рекомендуемая модель Ultralytics, экосистема предлагает разные модели для конкретных задач. Разработчикам, интересующимся архитектурами на основе трансформеров, RT-DETR предлагает альтернативный подход к сквозному обнаружению. Кроме того, YOLO11 остаётся проверенным вариантом для производственных сред, где важен обширный массив исторических бенчмарков.

Подводя итог, переход от YOLOX к YOLO26 показывает, насколько быстро развивается эта область. Благодаря понятному API, широкому набору возможностей и высокой эффективности YOLO26 рекомендуется исследователям и разработчикам.