YOLOv10 и YOLO26#

В последние годы компьютерное зрение достигло заметного прогресса: сложные архитектуры с интенсивной постобработкой уступили место оптимизированным моделям сквозного типа. В этом техническом сравнении рассматриваются две важные вехи этого развития: академический прорыв YOLOv10 и передовая, готовая к использованию в корпоративной среде модель YOLO26. Изучив их архитектуры, методики обучения и возможности развертывания в реальных условиях, разработчики смогут принимать обоснованные решения при создании следующего приложения компьютерного зрения на базе AI.

YOLOv10: пионер обнаружения объектов сквозного типа#

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• Ссылки: Документ arXiv | Репозиторий GitHub

Выпущенная в середине 2024 года, YOLOv10 стала значительным прорывом в академических исследованиях компьютерного зрения, решив одну из наиболее устойчивых проблем обнаружения объектов в реальном времени: подавление немаксимумов (NMS). Традиционные детекторы объектов в значительной степени полагались на NMS для фильтрации избыточных ограничивающих рамок, что добавляло переменную задержку во время инференса и усложняло развертывание на периферийных устройствах.

Команда Tsinghua University представила согласованную стратегию двойного сопоставления для обучения без NMS. Благодаря этому модель могла точно предсказывать ограничивающие рамки без дополнительного этапа фильтрации, что напрямую сокращало задержку инференса и упрощало развертывание на аппаратных ускорителях. Несмотря на высокую эффективность в стандартных задачах обнаружения, модель в основном была ориентирована на предсказание ограничивающих рамок и не имела встроенной поддержки более сложных задач, таких как сегментация экземпляров или оценка позы.

Узнай больше о YOLOv10

YOLO26: новый стандарт для компьютерного зрения на периферии и в облаке#

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• Ссылки: Репозиторий GitHub | Платформа Ultralytics

Развивая концепции работы без NMS, впервые предложенные ранее, недавно выпущенная YOLO26 представляет собой вершину производительности и универсальности. Разработанная как для академических исследований, так и для развертывания корпоративного уровня, она изначально включает сквозную архитектуру без NMS, полностью устраняя постобработку NMS для более быстрого и простого развертывания на всем поддерживаемом оборудовании.

YOLO26 представляет несколько революционных архитектурных улучшений. Удаление фокальной функции потерь распределения (DFL) значительно упрощает экспорт модели и повышает совместимость с периферийными устройствами с низким энергопотреблением. В сочетании с этими структурными изменениями YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает ее исключительным выбором для приложений IoT и робототехники, где ускорение на GPU может быть недоступно.

Кроме того, стабильность обучения и скорость сходимости были кардинально улучшены благодаря использованию оптимизатора MuSGD — гибрида SGD и Muon, вдохновленного методами обучения LLM. В сочетании с продвинутыми функциями потерь, такими как ProgLoss + STAL, YOLO26 демонстрирует заметные улучшения в распознавании небольших объектов. Модель также представляет улучшения для конкретных задач, включая многоуровневое прототипирование для сегментации, оценку остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированную функцию потерь угла для устранения проблем на границах при обнаружении ориентированных ограничивающих рамок (OBB).

Сравнение технических характеристик#

При оценке этих моделей критически важно учитывать баланс между точностью, размером модели и скоростью инференса. В таблице ниже представлены характеристики обеих семейств моделей в различных масштабах; оценка выполнена на стандартном наборе данных COCO.

Данные явно демонстрируют эволюционное преимущество новой архитектуры. YOLO26 достигает более высокого значения mAP (средняя точность) на всех уровнях размера, сохраняя при этом весьма конкурентоспособную скорость инференса. Удаление DFL в YOLO26 особенно повышает производительность ONNX на CPU — показатель, с которым предыдущим поколениям часто было сложно справиться.

Методики обучения и экосистема#

Полезность модели зависит от экосистемы, которая ее поддерживает. Хотя YOLOv10 предоставляла отличную академическую реализацию на базе PyTorch, для задач, выходящих за рамки базового обнаружения, часто требовалась ручная настройка.

В отличие от нее, YOLO26 полностью интегрирована в хорошо поддерживаемую экосистему Ultralytics. Это обеспечивает значительно меньшие требования к памяти во время обучения по сравнению с моделями на базе Transformer, такими как RT-DETR, позволяя исследователям обучать передовые сети на оборудовании потребительского класса. Простота использования не имеет аналогов: единый API автоматически выполняет аугментацию данных, настройку гиперпараметров и ведение журналов.

Пример кода: обучение YOLO26#

Для обучения универсальной модели с высокой точностью достаточно всего нескольких строк кода на Python:

from ultralytics import YOLO

# Load the highly optimized YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with automatic memory management
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
)

# Export natively to TensorRT without NMS complexities
model.export(format="engine")

Применение и варианты использования в реальных условиях#

Выбор подходящей архитектуры полностью зависит от ограничений развертывания.

Высокоскоростные вычисления на периферии#

Для приложений, требующих быстрого развертывания на микроконтроллерах, в робототехнике или на устаревших мобильных устройствах, инференс YOLO26 на CPU, который на 43% быстрее, делает ее очевидным выбором. Ее архитектура без NMS и DFL без проблем конвертируется в такие форматы, как OpenVINO и TensorRT, что идеально подходит для аналитики видео в реальном времени в инфраструктуре умных городов.

Продвинутое многозадачное компьютерное зрение#

Хотя YOLOv10 отлично справляется с обнаружением только ограничивающих рамок, проекты, требующие глубокого визуального понимания, должны использовать YOLO26. От сегментации экземпляров в медицинской визуализации до точной оценки позы для спортивной аналитики — YOLO26 предоставляет специализированные функции потерь, обеспечивающие более высокую точность в различных областях.

Варианты применения и рекомендации#

Выбор между YOLOv10 и YOLO26 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLOv10#

YOLOv10 — подходящий выбор для:

• Обнаружения объектов в реальном времени без NMS: приложений, которым полезно сквозное обнаружение без подавления немаксимумов, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: проектов, требующих удачного баланса между скоростью инференса и точностью обнаружения для моделей разных размеров.
• Приложений со стабильной задержкой: сценариев развертывания, где критически важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда стоит выбрать YOLO26#

YOLO26 рекомендуется для:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Заключение#

Переход от YOLOv10 к YOLO26 подчеркивает важный сдвиг от академического подтверждения концепции к готовым к промышленной эксплуатации корпоративным решениям. Объединив новаторскую архитектуру без NMS с оптимизатором MuSGD, ProgLoss и улучшенной совместимостью с периферийными устройствами, YOLO26 устанавливает новый ориентир возможностей компьютерного зрения в реальном времени. Для разработчиков, стремящихся достичь наилучшего баланса скорости, точности и удобства использования, YOLO26 становится оптимальной рекомендацией.