YOLO26 и YOLOX#

Развитие компьютерного зрения сопровождалось значительными архитектурными прорывами. В 2021 году YOLOX представила чрезвычайно влиятельную парадигму без якорей, которая сократила разрыв между академическими исследованиями и промышленным применением. Перенесёмся в 2026 год: облик отрасли изменился благодаря Ultralytics YOLO, в частности выходу YOLO26. В этом подробном сравнении рассматривается, как YOLO26 развивает прошлые инновации, обеспечивая непревзойдённую производительность, универсальность и удобство 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 воплощает вершину современной инженерии ИИ. В модели предусмотрена опциональная сквозная голова без NMS (nms=False), устраняющая узкие места сложной постобработки. YOLO26 тщательно оптимизирована для развёртывания в облаке и на периферийных устройствах, а экосистема модели обеспечивает поддержку различных задач.

Подробно о YOLOX#

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: Технический отчёт 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 пять лет непрерывных инноваций в проектировании глубоких нейросетей.

Хотя YOLOX поддерживала подход без якорей, она по-прежнему активно использовала традиционное подавление немаксимумов (NMS) для фильтрации избыточных ограничивающих рамок. В YOLO26 появилась опциональная голова End-to-End без NMS (nms=False). Этот прорыв, впервые реализованный в YOLOv10, устраняет постобработку NMS, упрощая и ускоряя конвейеры развёртывания и значительно снижая разброс задержки.

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

Стабильность обучения — ещё одно важное отличие. В YOLO26 используется 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 и ускоряет сходимость.

Производительность и тесты#

Сравнение этих моделей на датасете COCO наглядно показывает превосходство YOLO26 по точности и эффективности. Модели Ultralytics стабильно требуют меньше памяти при обучении и обеспечивают более высокую скорость инференса.

Примечание: модель YOLO26x достигает впечатляющего показателя 57.5 mAP, используя значительно меньше параметров (55.7M), чем модель YOLOXx (99.1M). Это подчёркивает исключительную эффективность архитектуры Ultralytics с точки зрения числа параметров.

Экосистема и простота использования#

Одно из важнейших преимуществ YOLO26 — хорошо поддерживаемая экосистема Ultralytics. Для работы с YOLOX приходится разбираться в сложных исследовательских кодовых базах и вручную настраивать окружение, тогда как Ultralytics предлагает простой путь от первых шагов до профессиональной разработки.

С помощью унифицированного API на Python разработчики могут легко переключаться между такими задачами, как обнаружение объектов, сегментация экземпляров, классификация изображений и оценка позы. YOLOX, напротив, предназначена только для обнаружения объектов с помощью ограничивающих рамок.

Пример обучения#

Обучать модели на пользовательском датасете с Ultralytics очень эффективно. Конвейер обучения сокращает использование памяти CUDA и позволяет увеличивать размер пакета даже на потребительском оборудовании. Это разительно отличается от старых архитектур и ресурсоёмких моделей на основе Transformer.

from ultralytics import YOLO

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

# Без труда обучаем модель на наборе данных 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: она обеспечивает облачное обучение, автоматическую разметку датасетов и развёртывание одним нажатием. Это незаменимый инструмент для команд, которые хотят быстро перейти от прототипирования к промышленной эксплуатации.

Оптимальные сценарии использования и реальные приложения#

От выбора подходящей модели зависит успех её развёртывания в реальных условиях.

Периферийный ИИ и IoT#

Для приложений, которым требуется локальная обработка на ограниченном оборудовании, например в умных охранных системах сигнализации или удалённых датчиках окружающей среды, YOLO26 — безусловно лучший выбор. Архитектура без NMS и на 43% более высокая скорость работы на CPU позволяют модели 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 в области оценки позы, усиленные методом Residual Log-Likelihood Estimation (RLE), позволяют роботам понимать кинематику человека в реальном времени. Из-за отсутствия нативного обнаружения ключевых точек YOLOX не подходит для таких сложных задач взаимодействия человека и робота.

Инспекция с большой высоты и аэрофотосъёмка#

При инспекции инфраструктуры с помощью дронов критически важно обнаруживать мельчайшие дефекты. Функции ProgLoss и STAL в YOLO26 значительно повышают полноту обнаружения крошечных объектов. Кроме того, YOLO26 нативно поддерживает ориентированные ограничивающие рамки (OBB) и специальную функцию потерь угла для устранения проблем на границах. Это делает модель идеальным решением для спутниковых снимков и аэрофотосъёмки, где объекты могут быть повёрнуты под любым углом.

Развёртывание в устаревших системах#

YOLOX всё ещё может пригодиться в устаревших средах, где существующие конвейеры развёртывания на C++ в 2021 году специально создавались для выходных данных её раздельной головы. Однако для любого нового проекта настоятельно рекомендуется перейти на экосистему Ultralytics, чтобы воспользоваться современными преимуществами производительности и постоянной поддержкой сообщества.

Другие модели#

Хотя YOLO26 представляет собой передовую разработку, экосистема Ultralytics предлагает разнообразные модели для конкретных задач. Разработчики, которых интересуют архитектуры на основе Transformer, могут использовать RT-DETR — альтернативный подход к сквозному обнаружению объектов. Кроме того, YOLO11 остаётся надёжным, тщательно протестированным вариантом для промышленных сред, где необходимы обширные исторические данные сравнительных тестов.

Подводя итог, переход от YOLOX к YOLO26 наглядно демонстрирует стремительное развитие отрасли. Сочетая интуитивно понятный API, универсальный набор функций и непревзойдённую эффективность, YOLO26 становится оптимальным выбором для исследователей и разработчиков по всему миру.