Начать

YOLOv10 и YOLOv8

В компьютерном зрении быстро появляются новые архитектуры, стремящиеся повысить точность, скорость инференса и вычислительную эффективность. В этом техническом руководстве сравниваются два важных этапа развития компьютерного зрения: YOLOv10 и Ultralytics YOLOv8. YOLOv8 задала универсальный стандарт, готовый к производственной эксплуатации, а YOLOv10 внесла архитектурные изменения, направленные на устранение узких мест постобработки.

Разработчикам и исследователям, которые хотят развертывать передовые решения в области компьютерного зрения в реальных условиях, важно понимать преимущества, архитектуру и показатели производительности этих моделей.

Технические характеристики и авторы#

Для эффективной оценки этих моделей полезно знать их происхождение и основные направления исследований соответствующих команд.

YOLOv10: сквозная эффективность#

Исследователи из Университета Цинхуа разработали YOLOv10, чтобы устранить вычислительные издержки, вызванные этапами постобработки в предыдущих поколениях.

Подробнее о YOLOv10

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в январе 2023 года, YOLOv8 быстро стала отраслевым стандартом благодаря своей архитектуре и тесной интеграции с широкой экосистемой машинного обучения.

Архитектурные инновации#

Обе модели значительно улучшили традиционную архитектуру YOLO, хотя и нацелены на разные аспекты конвейера.

Архитектура YOLOv10#

Главная особенность YOLOv10 — стратегия обучения без NMS. Обычно детекторы объектов используют подавление немаксимумов (NMS) во время инференса, чтобы отфильтровывать перекрывающиеся ограничивающие рамки. Этот этап может увеличить задержку и усложнить сквозное развертывание. При обучении YOLOv10 использует согласованные двойные назначения, благодаря которым голова один-к-одному предсказывает одну ограничивающую рамку на каждый объект (в пакете Ultralytics выбери эту голову с помощью nms=False). Кроме того, модель разработана с учетом общей эффективности и точности: различные компоненты оптимизированы для сокращения количества FLOPs и параметров.

Архитектура YOLOv8#

В YOLOv8 появилась голова обнаружения без якорей, заменившая подходы предшественников на основе якорей. Это сокращает количество предсказаний рамок и ускоряет операции NMS. Кроме того, YOLOv8 включает модуль C2f (узкое место с частичным межстадийным соединением и двумя сверточными слоями), который улучшает поток градиентов и позволяет сети обучаться более насыщенным представлениям признаков без значительного увеличения вычислительных затрат. Разделенная голова распределяет задачи классификации и регрессии между разными ветвями, ускоряя сходимость и повышая общую точность.

Производительность и тесты#

При развертывании моделей на периферийных устройствах или облачных серверах первостепенное значение имеет компромисс между скоростью и точностью. В таблице ниже напрямую сравниваются две модели разных размеров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

Примечание: тире (-) указывают на метрики, официально не опубликованные для идентичных условий тестирования.

Как показывают данные, YOLOv10 эффективно использует параметры и превосходит модели YOLOv8 того же размера по mAP, используя меньше параметров и FLOPs. YOLOv8 по-прежнему конкурентоспособна по скорости: YOLOv8n показывает лучшее время TensorRT на T4 в таблице (1,47 мс), а скорость на CPU с ONNX указана только для YOLOv8.

Аппаратное ускорение

При подготовке к производственной эксплуатации форматы, например ONNX или TensorRT, могут значительно повысить скорость инференса. И YOLOv8, и YOLOv10 можно напрямую экспортировать в эти оптимизированные форматы графов.

Экосистема, эффективность обучения и универсальность#

При выборе модели важно учитывать не только теоретические показатели: не менее важны удобство работы разработчика и окружающая экосистема.

Преимущества Ultralytics#

Одно из главных преимуществ YOLOv8 — тесная интеграция с экосистемой Ultralytics. Она предлагает интуитивно понятный API Python и подробную документацию. В отличие от репозиториев, ориентированных на исследования, для которых может потребоваться сложная настройка среды, модели Ultralytics известны своей простотой использования.

Кроме того, YOLOv8 отличается универсальностью. YOLOv10 оптимизирована исключительно для обнаружения объектов, а фреймворк Ultralytics позволяет разработчикам переключаться между задачами обнаружения объектов, сегментации экземпляров, классификации изображений, оценки позы и обнаружения ориентированных ограничивающих рамок (OBB), используя одну и ту же библиотеку и структуру API.

Требования к памяти и обучение#

Модели Ultralytics YOLO созданы с учетом эффективности обучения. По сравнению со сложными моделями Transformer они обычно используют меньше памяти при обучении и инференсе, поэтому разработчики могут обучать передовые модели на потребительском оборудовании или стандартных облачных инстансах, не исчерпывая память CUDA. Хорошо настроенные гиперпараметры по умолчанию и встроенная аугментация данных помогают моделям быстрее сходиться.

Вот практический пример того, как просто обучить модель и запустить инференс с помощью API Python Ultralytics:

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLOv8n
model = YOLO("yolov8n.pt")

# Обучи модель на примере набора данных COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Запусти инференс на тестовом изображении
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

Следующее поколение: YOLO26#

Хотя YOLOv8 и YOLOv10 стали важными этапами развития, отрасль продолжает развиваться. Для новых проектов Ultralytics рекомендует YOLO26 — новейшее семейство моделей, выпущенное в январе 2026 года.

YOLO26 объединяет последние архитектурные достижения в единой системе. В ней реализована сквозная архитектура без NMS из YOLOv10 в виде опциональной головы один-к-одному (nms=False), упрощающей конвейеры развертывания и уменьшающей вариативность задержки. В YOLO26 также представлен оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный обучением LLM и обеспечивающий более быструю и стабильную сходимость.

Ключевые улучшения YOLO26:

  • Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее YOLO11n, в том числе благодаря удалению дистрибутивной фокальной функции потерь (DFL).
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом небольших объектов улучшают их распознавание. Это особенно важно для съемки с дронов и датчиков IoT.
  • Улучшения для отдельных задач: специализированные головы и функции потерь для сегментации экземпляров, семантической сегментации, оценки глубины, оценки позы и OBB.

Оптимальные сценарии применения и стратегии развёртывания#

При выборе одной из этих архитектур учитывай особенности своей среды развертывания:

  • Выбирай YOLOv10, если: ты работаешь над конвейером исключительно для детекции объектов, где критически важно добиться максимальной эффективности использования параметров, и хочешь поэкспериментировать с ранними реализациями архитектур без NMS.
  • Выбирай Ultralytics YOLOv8, если: тебе нужна стабильная, готовая к производственной эксплуатации модель с поддержкой Ultralytics Platform. Это хороший выбор, если проект требует выполнения нескольких задач, например обнаружения объектов и последующей их сегментации, в рамках единой, удобной в сопровождении кодовой базы.
  • Выбирай YOLO26 (рекомендуется), если: тебе нужен оптимальный баланс точности, опционального сквозного инференса без NMS и высокой скорости на CPU и периферийном оборудовании.

Если ты изучаешь более широкий спектр решений, сравни эти модели с YOLO11 или ознакомься с интеграциями для периферийного развертывания, например Intel OpenVINO, чтобы еще больше ускорить работу приложений ИИ для компьютерного зрения.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. koalag564GitHub(изменено)

    Great technical overview! YOLOv10 introduces a more efficient NMS-free design and refined architecture that enhances both speed and accuracy, especially in complex object detection scenarios. This YOLOv8 comparison, however, highlights how v8 still holds its ground with strong task flexibility, easier deployment, and a well-established ecosystem. The choice between the two often comes down to specific application needs and hardware constraints.