YOLO26 против YOLOX#

Эволюция компьютерного зрения отмечена значительными архитектурными прорывами. В 2021 году YOLOX представил весьма влиятельную парадигму без якорей (anchor-free), которая сократила разрыв между академическими исследованиями и промышленным применением. Перенесемся в 2026 год: ландшафт был полностью переосмыслен Ultralytics YOLO, в особенности с выходом YOLO26. В этом подробном сравнении рассматривается то, как YOLO26 опирается на исторические инновации для обеспечения непревзойденной производительности, универсальности и простоты использования.

Обзор моделей#

Понимание происхождения и основных принципов этих моделей необходимо для принятия обоснованных решений о развертывании.

Детали YOLO26#

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

Узнай больше о YOLO26

YOLO26 представляет собой вершину современного ИИ-инжиниринга, предлагая полностью сквозной (end-to-end) дизайн, который устраняет сложные узкие места постобработки. Она сильно оптимизирована как для облачных, так и для граничных развертываний, с экосистемой, которая легко поддерживает разнообразные задачи.

Детали YOLOX#

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

Узнать больше о YOLOX

YOLOX стал важным шагом вперед, представив разделенную голову (decoupled head) и архитектуру без якорей (anchor-free) наряду со стратегией назначения меток SimOTA. На момент своего выпуска он предлагал отличный баланс скорости и точности, что сделало его популярным выбором для многих устаревших систем.

Архитектурные инновации#

Различия между YOLO26 и YOLOX подчеркивают пять лет непрерывных инноваций в дизайне глубокого обучения.

Хотя YOLOX отстаивал подход без использования якорей, он все же сильно зависел от традиционного подавления не максимальных элементов (NMS) для фильтрации избыточных ограничивающих рамок. В YOLO26 представлен сквозной дизайн без использования NMS (End-to-End NMS-Free Design). Этот прорыв, впервые реализованный в YOLOv10, полностью исключает постобработку NMS, что приводит к более быстрым и простым конвейерам развертывания со значительно меньшим разбросом задержек.

Более того, YOLO26 отличается удалением DFL. Благодаря удалению Distribution Focal Loss процесс экспорта модели радикально упрощается, что обеспечивает исключительную совместимость с граничными устройствами и оборудованием с низким энергопотреблением. В сочетании с архитектурными оптимизациями модели YOLO26 достигает до 43% более быстрого вывода на CPU по сравнению со своими предшественниками, что делает ее мощным решением для сред, где отсутствуют выделенные GPU.

Стабильность обучения — еще один важнейший фактор отличия. В YOLO26 используется новый оптимизатор MuSGD, представляющий собой гибрид SGD и Muon, вдохновленный инновациями в обучении LLM от Moonshot AI. Этот оптимизатор переносит стабильность обучения больших языковых моделей в область компьютерного зрения, способствуя более быстрой сходимости.

Производительность и бенчмарки#

При прямом сравнении этих моделей на наборе данных COCO превосходство YOLO26 как в точности, так и в эффективности становится очевидным. Модели Ultralytics стабильно предлагают меньшие требования к памяти во время обучения и более высокую скорость инференса.

Примечание: Модель YOLO26x достигает впечатляющих 57,5 mAP, требуя при этом значительно меньше параметров (55,7 млн), чем модель YOLOXx (99,1 млн), что подчеркивает невероятную параметрическую эффективность архитектуры Ultralytics.

Экосистема и простота использования#

Одним из самых значительных преимуществ выбора YOLO26 является хорошо поддерживаемая экосистема, предоставляемая Ultralytics. В то время как YOLOX требует навигации по сложным исследовательским кодовым базам и ручной настройки окружения, Ultralytics предлагает оптимизированный опыт разработки по принципу «с нуля до профи».

Используя унифицированный Python API, ты можешь легко переключаться между такими задачами, как обнаружение объектов, сегментация экземпляров, классификация изображений и оценка поз. YOLOX, напротив, строго ограничен обнаружением с помощью ограничивающих рамок.

Пример обучения#

Обучение модели на собственном наборе данных с Ultralytics удивительно эффективно. Конвейер обучения минимизирует использование памяти CUDA, что позволяет использовать большие размеры пакетов (batch sizes) даже на потребительском оборудовании, что резко контрастирует со старыми архитектурами или тяжелыми 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 наборов данных и варианты развертывания в один клик. Это незаменимый инструмент для команд, стремящихся быстро перейти от прототипирования к производству.

Идеальные сценарии использования и реальные приложения#

Выбор правильной модели определяет успех твоего реального развертывания.

Edge AI и IoT#

Для приложений, требующих локальной обработки на ограниченном аппаратном обеспечении, таких как интеллектуальные системы охранной сигнализации или удаленные датчики окружающей среды, YOLO26 является безальтернативным выбором. Его архитектура без NMS и на 43% более быстрое выполнение на CPU означают, что он плавно работает на таких устройствах, как Raspberry Pi, без сложных обходных путей с квантованием.

Автономная робототехника#

Робототехника требует высокой точности и низкой задержки. Возможности оценки поз в YOLO26, подкрепленные оценкой остаточного логарифма правдоподобия (RLE), позволяют роботам понимать кинематику человека в реальном времени. Отсутствие в YOLOX встроенного обнаружения ключевых точек делает его непригодным для столь сложных задач взаимодействия человека и робота.

Высотная и воздушная инспекция#

При инспекции инфраструктуры с помощью дронов обнаружение мельчайших дефектов имеет первостепенное значение. Функции ProgLoss и STAL в YOLO26 кардинально улучшают полноту (recall) на крошечных объектах. Кроме того, YOLO26 нативно поддерживает ориентированные ограничивающие рамки (OBB) в комплекте со специализированной функцией угловых потерь для решения граничных проблем, что делает его идеальным для спутниковых и аэрофотоснимков, где объекты произвольно повернуты.

Устаревшие развертывания#

YOLOX все еще может найти применение в устаревших средах, где существующие конвейеры развертывания на C++ были явно построены вокруг его специфических выходов разделенной головы в 2021 году. Однако для любого нового проекта настоятельно рекомендуется миграция на экосистему Ultralytics, чтобы использовать современные приросты производительности и постоянную поддержку сообщества.

Изучение других моделей#

Хотя YOLO26 представляет собой современный технологический уровень (state-of-the-art), экосистема Ultralytics предлагает множество моделей, адаптированных под конкретные нужды. Для разработчиков, интересующихся архитектурами на базе трансформеров, RT-DETR предлагает альтернативный подход к сквозному обнаружению. Кроме того, YOLO11 остается надежным, тщательно протестированным вариантом для производственных сред, требующих обширного исторического бенчмаркинга.

В итоге переход от YOLOX к YOLO26 иллюстрирует быстрое развитие этой области. Объединяя интуитивно понятный API, универсальный набор функций и непревзойденную эффективность, YOLO26 является лучшим выбором для исследователей и разработчиков по всему миру.