YOLOv10 и YOLO26
Обнаружение объектов в реальном времени перешло от сложных архитектур с интенсивной постобработкой к упрощённым сквозным моделям. В этом техническом сравнении рассматриваются два этапа такого перехода: YOLOv10 — академическая модель, добавившая обучение без NMS в семейство YOLO, — и Ultralytics YOLO26 — семейство моделей для нескольких задач, ориентированное на промышленное применение. Сравнив их архитектуры, методы обучения и возможности развертывания в реальных условиях, разработчики смогут обоснованно выбрать модель для следующего приложения компьютерного зрения.
YOLOv10: обнаружение в реальном времени без NMS#
- Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
- Организация: Университет Цинхуа
- Дата: 2024-05-23
- Ссылки: Статья на arXiv | Репозиторий GitHub
Выпущенная в мае 2024 года YOLOv10 решила одну из самых устойчивых проблем обнаружения объектов в реальном времени — подавление немаксимумов (NMS). Традиционные детекторы объектов активно используют NMS для фильтрации избыточных ограничивающих рамок, что приводит к переменной задержке при инференсе и усложняет развертывание на периферийных устройствах.
Команда Университета Цинхуа предложила стратегию согласованного двойного назначения для обучения без NMS. Благодаря этому модель научилась точно предсказывать ограничивающие рамки без этапа фильтрации при постобработке, что напрямую снижает задержку инференса и упрощает развертывание на аппаратных ускорителях. Хотя модель эффективна для стандартного обнаружения объектов, она сосредоточена на предсказании ограничивающих рамок и не поддерживает из коробки такие задачи, как сегментация экземпляров или оценка позы.
YOLO26: новый стандарт ИИ 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 идеи обучения без NMS, представленные в YOLOv10, YOLO26 стала текущим рекомендуемым семейством моделей Ultralytics. Созданная для исследований и промышленного развертывания, она поддерживает сквозную архитектуру без NMS благодаря опциональной голове one-to-one (nms=False), которая пропускает постобработку NMS и упрощает развертывание на поддерживаемом оборудовании.
В YOLO26 также внесено несколько архитектурных изменений. Удаление Distribution Focal Loss (DFL) упрощает экспорт модели и повышает совместимость с маломощными периферийными устройствами для ИИ. Благодаря этим структурным изменениям YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, поэтому YOLO26 отлично подходит для приложений IoT и робототехники, где может быть недоступно ускорение GPU.
Стабильность обучения и скорость сходимости также повышаются благодаря оптимизатору MuSGD — гибридному алгоритму на основе SGD и Muon, созданному под влиянием методов обучения LLM. В сочетании с ProgLoss + STAL, объединяющими прогрессивную функцию потерь с назначением меток с учетом небольших объектов, YOLO26 лучше распознает мелкие объекты. Кроме того, в модели появились улучшения для конкретных задач: прототипирование в нескольких масштабах для сегментации, оценка остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированная функция потерь угла для устранения проблем на границах при обнаружении ориентированных ограничивающих рамок (OBB).
Для команд, которые хотят масштабировать рабочие процессы компьютерного зрения, платформа Ultralytics напрямую поддерживает YOLO26 и предлагает разметку данных, обучение в облаке и развертывание в один клик без необходимости создавать сложную инфраструктуру MLOps.
Сравнение технических характеристик#
При оценке этих моделей важен баланс между точностью, размером модели и скоростью инференса. В таблице ниже показана производительность обеих семейств моделей разного размера на стандартном датасете COCO.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
YOLO26 обеспечивает более высокий показатель mAP (средняя точность) на всех уровнях размера модели, сохраняя сопоставимую скорость TensorRT на T4. Удаление DFL в YOLO26 также повышает производительность на CPU с ONNX; скорость YOLOv10 на CPU с ONNX в таблице не указана.
Методики обучения и экосистема#
Полезность модели зависит от экосистемы, которая ее поддерживает. YOLOv10 предлагает надежную академическую реализацию на базе PyTorch и пакета Ultralytics, но поддерживает только обнаружение объектов.
В отличие от нее, YOLO26 полностью интегрирована в активно развиваемую экосистему Ultralytics. Будучи моделью на основе CNN, она требует при обучении меньше памяти, чем модели на основе Transformer, например RT-DETR, поэтому ее можно обучать на потребительском оборудовании. Унифицированный API автоматически выполняет аугментацию данных и ведет журналирование, а настройка гиперпараметров доступна через model.tune().
Пример кода: обучение YOLO26#
Для обучения и экспорта YOLO26 достаточно нескольких строк кода на Python:
from ultralytics import YOLO
# Загрузи компактную модель YOLO26 с высокой степенью оптимизации
model = YOLO("yolo26s.pt")
# Обучи модель на примере набора данных COCO8
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
)
# Экспортируй голову с сопоставлением один к одному без NMS в TensorRT
model.export(format="engine", nms=False)Примеры применения в реальных условиях#
Выбор подходящей архитектуры во многом зависит от ограничений среды развертывания.
Высокоскоростные периферийные вычисления#
Для приложений, работающих на CPU, робототехнических платформах или старых мобильных устройствах, YOLO26 — лучший выбор благодаря более быстрому инференсу на CPU. Ее архитектура без DFL и опциональная голова без NMS обеспечивают простой экспорт в форматы, например OpenVINO и TensorRT, что идеально подходит для аналитики видео в реальном времени в инфраструктуре умных городов.
Продвинутое многозадачное компьютерное зрение#
YOLOv10 ограничена обнаружением ограничивающих рамок, поэтому для проектов, которым нужны другие задачи, стоит выбрать YOLO26. Помимо обнаружения, YOLO26 поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и ориентированные ограничивающие рамки, используя специализированные головы и функции потерь для задач от медицинской визуализации до спортивной аналитики.
Если проекту требуется обнаружение объектов с открытым словарем, рассмотри YOLOE или YOLO-World. Для существующих конвейеров YOLO11 остается полностью поддерживаемой альтернативой в рамках фреймворка Ultralytics.
Сценарии использования и рекомендации#
Выбор между YOLOv10 и YOLO26 зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.
Когда выбирать YOLOv10#
YOLOv10 — хороший выбор для:
- Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
- Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
- Приложения с постоянной задержкой: сценарии развертывания, где важны предсказуемые сроки инференса, например в робототехнике или автономных системах.
Когда выбирать YOLO26#
YOLO26 рекомендуется для:
- Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
- Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
- Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.
Заключение#
Переход от YOLOv10 к YOLO26 отражает смену академического подтверждения концепции моделями, готовыми к производству. YOLO26 использует без-NMS-архитектуру, представленную в YOLOv10, и дополняет ее оптимизатором MuSGD, ProgLoss и упрощенным экспортом для периферийных устройств. В результате модель обеспечивает более высокую точность при любом размере и поддерживает гораздо больше задач. Разработчикам, которым нужен оптимальный баланс скорости, точности и удобства, рекомендуется YOLO26.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.