YOLOv10 против YOLOv8#

Эволюция детекции объектов в реальном времени прошла через череду прорывных архитектур, каждая из которых стремилась раздвинуть границы точности, скорости инференса и вычислительной эффективности. В этом подробном техническом руководстве мы сравниваем две важные вехи в ландшафте компьютерного зрения: YOLOv10 и Ultralytics YOLOv8. В то время как YOLOv8 установила высокоуниверсальный и готовый к продакшену стандарт, YOLOv10 привнесла архитектурные изменения, направленные именно на устранение узких мест постпроцессинга.

Понимание отличительных преимуществ, архитектур и метрик производительности этих моделей имеет решающее значение для разработчиков и исследователей, стремящихся внедрить современные решения в области ИИ компьютерного зрения в реальных сценариях.

Технические характеристики и авторство#

Чтобы эффективно оценить эти модели, полезно понимать их происхождение и основную направленность соответствующих исследовательских групп.

YOLOv10: сквозная (end-to-end) эффективность#

Разработанная исследователями из Университета Цинхуа, модель YOLOv10 была создана для решения проблемы вычислительных затрат, возникающих из-за этапов постобработки в предыдущих поколениях.

• Авторы: Ао Ван, Хуэй Чен, Лихао Лю и др.
• Организация: Tsinghua University
• Дата: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10
• Документация: YOLOv10 Documentation

Узнай больше о YOLOv10

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года, YOLOv8 быстро стала отраслевым стандартом благодаря своей надежной архитектуре и непревзойденной интеграции в более широкую экосистему машинного обучения.

• Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: ultralytics/ultralytics

Узнай больше о YOLOv8

Архитектурные инновации#

Обе модели привносят значительные улучшения в традиционную архитектуру YOLO, хотя и затрагивают немного разные аспекты конвейера.

Архитектура YOLOv10#

Главной особенностью YOLOv10 является ее стратегия обучения без NMS. Традиционно детекторы объектов полагаются на Non-Maximum Suppression (NMS) во время инференса для фильтрации перекрывающихся ограничивающих рамок. Этот шаг может вносить задержки и усложняет развертывание end-to-end. YOLOv10 использует согласованные двойные назначения при обучении, что позволяет модели предсказывать единую точную ограничивающую рамку для объекта нативно. Кроме того, в ней применяется целостный дизайн модели, ориентированный на эффективность и точность, оптимизирующий различные компоненты для значительного снижения числа FLOPs и параметров.

Архитектура YOLOv8#

YOLOv8 представила детекционную голову без якорей (anchor-free), отойдя от подходов предшественников, основанных на якорях. Это сокращает количество предсказаний рамок и ускоряет операции NMS. Кроме того, YOLOv8 включает модуль C2f (Cross-Stage Partial bottleneck с двумя свертками), который улучшает поток градиентов и позволяет сети изучать более богатые представления признаков без резкого увеличения вычислительных затрат. Ее разделенная структура головы отделяет задачи объектности, классификации и регрессии, что ведет к более быстрой сходимости и более высокой общей точности.

Производительность и бенчмарки#

При развертывании моделей на периферийных устройствах или облачных серверах компромисс между скоростью и точностью имеет первостепенное значение. В таблице ниже представлено прямое сравнение двух моделей разных размеров.

Примечание: Пустые ячейки указывают на метрики, официально не заявленные при идентичных условиях тестирования.

Как видно из данных, YOLOv10 демонстрирует исключительную эффективность по количеству параметров, часто достигая или превосходя mAP своих аналогов на YOLOv8 при меньшем числе параметров и FLOPs. Тем не менее, YOLOv8 остается невероятно конкурентоспособной, предлагая глубоко оптимизированную интеграцию TensorRT, которая гарантирует минимальную задержку инференса на современных GPU.

Экосистема, эффективность обучения и универсальность#

Выбор модели выходит за рамки теоретических бенчмарков; опыт разработчика и окружающая экосистема не менее важны.

Преимущество Ultralytics#

Одно из главных достоинств YOLOv8 — ее тесная интеграция в экосистему Ultralytics. Эта среда обеспечивает опыт «с нуля до профи», отличаясь интуитивно понятным Python API и обширной документацией. В отличие от ориентированных на исследования репозиториев, требующих сложной настройки окружения, модели Ultralytics славятся своей простотой в использовании.

Кроме того, YOLOv8 изначально универсальна. В то время как YOLOv10 строго оптимизирована для детекции объектов, фреймворк Ultralytics позволяет разработчикам легко переключаться между задачами детекции объектов, сегментации экземпляров, классификации изображений, оценки позы и ориентированных ограничивающих рамок (OBB) в рамках одной и той же библиотеки и структуры API.

Требования к памяти и обучение#

Модели Ultralytics YOLO разработаны с акцентом на эффективность обучения. Они обычно демонстрируют меньшее потребление памяти во время обучения и инференса по сравнению со сложными моделями на базе трансформаторов, позволяя разработчикам обучать современные модели на потребительском «железе» или стандартных облачных инстансах без исчерпания памяти CUDA. Автоматическая настройка гиперпараметров и аугментация данных обеспечивают быструю сходимость.

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

from ultralytics import YOLO

# Load a pretrained model (YOLOv8 recommended for general tasks)
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 dataset with automatic memory management
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Run inference on a test image
predictions = model("https://ultralytics.com/images/zidane.jpg")
predictions[0].show()

Следующее поколение: YOLO26#

Хотя YOLOv8 и YOLOv10 представляют собой исключительные вехи, сфера машинного обучения постоянно развивается. Разработчикам, начинающим новые проекты, мы настоятельно рекомендуем использовать YOLO26 — новейшую флагманскую модель от Ultralytics, выпущенную в январе 2026 года.

YOLO26 объединяет лучшие архитектурные достижения прошлых лет в единую, высокооптимизированную среду. Она наследует дизайн без NMS, впервые примененный в таких моделях, как YOLOv10, упрощая конвейеры развертывания и снижая изменчивость задержки. Кроме того, YOLO26 представляет оптимизатор MuSGD — гибрид, вдохновленный стабильностью обучения LLM, который обеспечивает более быструю и устойчивую сходимость.

Основные улучшения в YOLO26 включают:

• До 43% быстрее вывод на CPU: оптимизирована для периферийных устройств за счет удаления Distribution Focal Loss (DFL).
• ProgLoss + STAL: передовые функции потерь, которые значительно улучшают распознавание мелких объектов, что критически важно для изображений с дронов и датчиков IoT.
• Улучшения для конкретных задач: специализированные архитектуры для сегментации, оценки позы и OBB, обеспечивающие высочайшую производительность во всех доменах компьютерного зрения.

Идеальные варианты использования и стратегии развертывания#

При выборе между этими архитектурами учитывай конкретные потребности твоей среды развертывания:

• Выбирай YOLOv10, если: ты работаешь над чистым конвейером обнаружения объектов, где критически важно выжать максимум эффективности параметров, и хочешь поэкспериментировать с ранними реализациями архитектур без NMS.
• Выбирай Ultralytics YOLOv8, если: тебе нужна высокостабильная, готовая к продакшену модель, поддерживаемая надежной платформой Ultralytics. Это идеальный выбор, если твой проект требует решения нескольких задач (например, обнаружение объектов с последующей сегментацией) с использованием единой, простой в поддержке кодовой базы.
• Выбирай YOLO26 (рекомендуется), если: тебе нужен идеальный баланс между современной точностью, нативной эффективностью без NMS и максимально возможной скоростью на CPU и периферийном оборудовании.

Если ты изучаешь более широкий ландшафт, тебе также может быть интересно сравнить эти модели с YOLO11 или ознакомиться со специфическими интеграциями для развертывания на периферийных устройствах, такими как Intel OpenVINO, чтобы еще сильнее ускорить твои приложения компьютерного зрения. Благодаря единым инструментам, предоставляемым Ultralytics, развертывание надежных решений компьютерного зрения еще никогда не было таким доступным.