YOLOv7 и YOLO26#

Развитие компьютерного зрения отмечено значимыми достижениями, а сравнение устаревших архитектур с современными передовыми моделями даёт ценную информацию инженерам по машинному обучению. В этом техническом сравнении подробно рассматриваются различия между оказавшей значительное влияние моделью YOLOv7 и революционной моделью Ultralytics YOLO26, включая достижения в архитектуре, методологиях обучения и эффективности развёртывания.

YOLOv7: первопроходец концепции «bag-of-freebies»#

Представленная в середине 2022 года, YOLOv7 расширила границы возможного для оборудования с GPU, внедрив несколько архитектурных оптимизаций, которые повысили точность без увеличения стоимости инференса.

Сведения о модели

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Institute of Information Science, Academia Sinica
• Дата: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Документация: Документация Ultralytics YOLOv7

YOLOv7 представила концепцию обучаемого «bag-of-freebies», в которой активно применялись методы перепараметризации и расширенные эффективные сети агрегации слоёв (E-ELAN). Это позволило модели изучать более разнообразные признаки и постоянно повышать способность сети к обучению, не разрушая исходный градиентный путь. Хотя в своё время модель продемонстрировала впечатляющий передовой результат на COCO, её архитектура по-прежнему сильно зависит от выходных данных на основе anchor-боксов и требует сложной постобработки подавления немаксимумов (NMS), что может создавать узкие места по задержке при развёртывании.

Узнай больше о YOLOv7

YOLO26: стандарт компьютерного зрения с приоритетом периферийных устройств#

Выпущенная в январе 2026 года, Ultralytics YOLO26 знаменует смену парадигмы, полностью переосмысливая конвейер детекции с приоритетом простоты развёртывания, стабильности обучения и эффективности оборудования.

Сведения о модели

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: ultralytics/ultralytics
• Платформа: Ultralytics YOLO26 на платформе

YOLO26 создана с нуля для решения современных инженерных задач. Её архитектура включает несколько важнейших инноваций, которые значительно превосходят решения предыдущих поколений:

• Сквозная архитектура без NMS: YOLO26 изначально устраняет постобработку NMS — это прорывной подход, впервые предложенный в YOLOv10. В результате конвейер развёртывания становится быстрее и значительно проще, а переменная задержка, обычно возникающая в переполненных сценах, исключается.
• Удаление DFL: Благодаря удалению распределённой фокальной функции потерь (DFL) модель радикально упрощается для экспорта, обеспечивая значительно лучшую совместимость с периферийными устройствами и энергоэффективным оборудованием IoT.
• До 43% более быстрый инференс на CPU: Благодаря архитектурным упрощениям и структурному прореживанию YOLO26 специально оптимизирована для периферийных вычислений и устройств без выделенных GPU, легко превосходя старые архитектуры на стандартных процессорах.
• Оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей, в частности Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon. Это обеспечивает беспрецедентную стабильность обучения и значительно более быструю сходимость в задачах компьютерного зрения.
• ProgLoss + STAL: Внедрение этих передовых функций потерь заметно улучшает распознавание небольших объектов, что критически важно для аэрофотосъёмки, робототехники и автоматизированного контроля качества.
• Улучшения для конкретных задач: Помимо стандартной детекции объектов, YOLO26 представляет многомасштабный proto и специализированную функцию потерь для семантической сегментации для задач сегментации, оценку остаточного логарифма правдоподобия (RLE) для оценки позы, а также специализированные алгоритмы угловых потерь для устранения проблем с границами в ориентированных ограничивающих рамках (OBB).

Сравнение производительности и метрик#

При сравнении вычислительной нагрузки YOLO26 явно превосходит другие модели по балансу производительности и требований к памяти. Моделям на основе Transformer и старым тяжёлым архитектурам часто требуются огромные объёмы памяти CUDA, тогда как YOLO26 эффективно обучается на потребительских GPU.

Как показано выше, модель YOLO26m достигает такой же точности (53.1 mAP), как и массивная YOLOv7x, но делает это менее чем с третью числа параметров (20.4M против 71.3M) и невероятно высокой скоростью инференса благодаря TensorRT.

Преимущества экосистемы Ultralytics#

Развёртывание устаревших моделей часто связано со сложными сторонними репозиториями, конфликтами зависимостей и ручными скриптами экспорта. В отличие от этого, Ultralytics Platform предлагает хорошо поддерживаемую целостную экосистему, упрощающую весь жизненный цикл машинного обучения.

• Простота использования: Благодаря интуитивно понятному API Python и исчерпывающей документации ты можешь аннотировать данные, обучать и развёртывать модели за считаные минуты. Экспорт в такие форматы, как ONNX или CoreML, требует всего одной строки кода.
• Требования к памяти: Модели Ultralytics известны низким потреблением памяти. В отличие от некоторых громоздких vision Transformer, YOLO26 легко дообучается на стандартном оборудовании без ошибок нехватки памяти (OOM).
• Универсальность: В то время как YOLOv7 была преимущественно детектором объектов, имея лишь несколько экспериментальных ветвей для других задач, YOLO26 представляет собой изначально унифицированный фреймворк, одинаково эффективно работающий с детекцией, классификацией, трекингом, оценкой позы и OBB.

Пример кода: обучение и развёртывание#

Следующий пример демонстрирует элегантную простоту пакета ultralytics. Обрати внимание, насколько чистым выглядит интерфейс по сравнению с вызовом длинных аргументов командной строки для старых моделей.

from ultralytics import YOLO

# Load the lightweight YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model efficiently on a dataset (e.g., COCO8)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=32,  # Efficient memory usage allows larger batch sizes
    device=0,
)

# Run an NMS-free, end-to-end inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Практические сценарии использования#

Выбор подходящей архитектуры полностью зависит от ограничений твоей рабочей среды.

Когда стоит рассмотреть YOLOv7: YOLOv7 остаётся полезным инструментом для академического сравнения с эталонами 2022 года. Если твоя инфраструктура активно использует глубокие устаревшие конвейеры CUDA, жёстко привязанные к специфическим anchor-выходам YOLOv7, и у тебя нет ресурсов на рефакторинг, эта модель продолжит работать как надёжный базовый детектор.

Когда стоит выбрать YOLO26: Для любого нового проекта YOLO26 является однозначным выбором. Её архитектура без NMS идеально подходит для автономной навигации с низкой задержкой и систем безопасности реального времени. Отказ от DFL и значительное ускорение на CPU делают её бесспорным лидером для развёртывания ИИ на периферийных устройствах, например на Raspberry Pi или внутри потребительской электроники. Кроме того, улучшения ProgLoss + STAL делают модель особенно эффективной для обнаружения небольших аномалий при контроле качества производства или анализе спутниковых снимков.

В конечном счёте YOLO26 предоставляет разработчикам уникальное сочетание точности, скорости и простоты при всесторонней поддержке сообщества открытого исходного кода.