YOLO26 против YOLOX#

Эволюция компьютерного зрения отмечена значительными скачками в развитии архитектур. В 2021 году YOLOX представила весьма влиятельную безанкорную парадигму, которая сократила разрыв между академическими исследованиями и промышленным применением. Перенесёмся в 2026 год: ландшафт был переопределён благодаря Ultralytics YOLO, а именно с выходом YOLO26. В этом подробном сравнении рассматривается, как YOLO26 развивает исторические инновации, обеспечивая непревзойдённые производительность, универсальность и простоту использования.

Обзор моделей#

Понимание происхождения и ключевых принципов этих моделей необходимо для принятия обоснованных решений о развёртывании.

YOLO26: подробности#

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

YOLO26 представляет вершину современной AI-инженерии, предлагая нативную сквозную архитектуру, устраняющую сложные узкие места постобработки. Модель тщательно оптимизирована для развёртывания как в облаке, так и на периферийных устройствах, а её экосистема обеспечивает бесшовную поддержку различных задач.

YOLOX: подробности#

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: Технический отчёт YOLOX
• GitHub: Репозиторий YOLOX на GitHub
• Документация: Документация YOLOX

Узнай больше о YOLOX

YOLOX стала значительным шагом вперёд, представив раздельную головку и безанкорную архитектуру вместе со стратегией назначения меток SimOTA. На момент выхода она обеспечивала отличный баланс между скоростью и точностью, что сделало её популярным выбором для многих унаследованных систем.

Архитектурные инновации#

Различия между YOLO26 и YOLOX подчёркивают пять лет непрерывных инноваций в проектировании глубоких нейронных сетей.

Хотя YOLOX отстаивала безанкорный подход, она по-прежнему в значительной степени полагалась на традиционное подавление немаксимумов (NMS) для фильтрации избыточных ограничивающих рамок. YOLO26 представляет сквозную архитектуру без NMS. Этот прорыв, впервые реализованный в YOLOv10, полностью устраняет постобработку NMS, обеспечивая более быстрые и простые конвейеры развёртывания со значительно меньшей вариативностью задержки.

Кроме того, YOLO26 поддерживает удаление DFL. Удаление Distribution Focal Loss значительно упрощает процесс экспорта модели, обеспечивая исключительную совместимость с периферийными устройствами и аппаратным обеспечением с низким энергопотреблением. В сочетании с архитектурными оптимизациями модели это позволяет YOLO26 выполнять инференс на CPU до 43% быстрее, чем предшественники, что делает её мощным решением для сред без выделенных GPU.

Стабильность обучения — ещё одно важное отличие. YOLO26 использует новый оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый инновациями в обучении LLM от Moonshot AI. Этот оптимизатор переносит стабильность обучения больших языковых моделей в компьютерное зрение, способствуя более быстрой сходимости.

Производительность и бенчмарки#

При непосредственном сравнении этих моделей на датасете COCO превосходство YOLO26 как по точности, так и по эффективности становится очевидным. Модели Ultralytics стабильно требуют меньше памяти во время обучения и обеспечивают более высокую скорость инференса.

Примечание: модель YOLO26x достигает впечатляющего показателя 57.5 mAP, используя при этом значительно меньше параметров (55.7M), чем модель YOLOXx (99.1M), что подчёркивает невероятную параметрическую эффективность архитектуры Ultralytics.

Экосистема и простота использования#

Одно из наиболее существенных преимуществ YOLO26 — хорошо поддерживаемая экосистема Ultralytics. Если для работы с YOLOX приходится разбираться в сложных исследовательских кодовых базах и вручную настраивать окружение, Ultralytics предлагает упрощённый опыт для разработчиков по принципу «от нуля до результата».

Используя унифицированный API Python, разработчики могут легко переключаться между такими задачами, как обнаружение объектов, сегментация экземпляров, классификация изображений и оценка позы. YOLOX, напротив, поддерживает только обнаружение ограничивающих рамок.

Пример обучения#

Обучение модели на пользовательском датасете с Ultralytics отличается высокой эффективностью. Конвейер обучения минимизирует использование памяти CUDA, позволяя применять большие размеры пакетов даже на пользовательском оборудовании, что резко контрастирует со старыми архитектурами и ресурсоёмкими моделями Transformer.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Платформа Ultralytics дополнительно улучшает этот рабочий процесс, предоставляя облачное обучение, автоматическую разметку датасетов и варианты развёртывания в один клик. Это незаменимый инструмент для команд, стремящихся быстро перейти от прототипирования к промышленной эксплуатации.

Оптимальные сценарии использования и реальные применения#

Выбор правильной модели определяет успех развёртывания в реальных условиях.

Edge AI и IoT#

Для приложений, требующих локальной обработки на ограниченном оборудовании, например интеллектуальных систем охранной сигнализации или удалённых экологических датчиков, YOLO26 — безусловно лучший выбор. Её архитектура без NMS и выполнение на CPU на 43% быстрее позволяют плавно работать на таких устройствах, как Raspberry Pi, без сложных обходных решений для квантования.

Автономная робототехника#

Робототехнике необходимы высокая точность и низкая задержка. Возможности YOLO26 для оценки позы, усиленные оцениванием остаточного логарифмического правдоподобия (RLE), позволяют роботам понимать кинематику человека в реальном времени. Отсутствие в YOLOX нативного обнаружения ключевых точек делает её непригодной для таких продвинутых задач взаимодействия человека и робота.

Высотная и аэросъёмочная инспекция#

При проверке инфраструктуры с помощью дронов крайне важно обнаруживать мельчайшие дефекты. Функции ProgLoss и STAL значительно повышают полноту обнаружения небольших объектов в YOLO26. Кроме того, YOLO26 нативно поддерживает ориентированные ограничивающие рамки (OBB) и специализированную функцию потерь для угла, устраняющую проблемы на границах. Это делает модель идеальной для спутниковых снимков и аэрофотосъёмки, где объекты могут иметь произвольный поворот.

Унаследованные развёртывания#

YOLOX всё ещё может применяться в унаследованных средах, где существующие конвейеры развёртывания на C++ были специально построены вокруг её выходов раздельной головки в 2021 году. Однако для любого нового проекта настоятельно рекомендуется перейти на экосистему Ultralytics, чтобы воспользоваться преимуществами современной производительности и постоянной поддержкой сообщества.

Другие модели#

Хотя YOLO26 представляет современное передовое решение, экосистема Ultralytics предлагает множество моделей, адаптированных под конкретные потребности. Разработчикам, интересующимся архитектурами на основе Transformer, RT-DETR предлагает альтернативный подход к сквозному обнаружению. Кроме того, YOLO11 остаётся надёжным, тщательно протестированным вариантом для производственных сред, требующих обширных исторических бенчмарков.

Подводя итог, переход от YOLOX к YOLO26 иллюстрирует стремительное развитие этой области. Благодаря сочетанию интуитивно понятного API, универсального набора функций и непревзойдённой эффективности YOLO26 становится оптимальным выбором для исследователей и разработчиков по всему миру.