YOLOv7 и YOLO26
Компьютерное зрение прошло несколько важных этапов развития, а сравнение устаревших архитектур с современными моделями даёт полезные сведения ML-инженерам. В этом техническом сравнении рассматриваются различия между влиятельной моделью YOLOv7 и Ultralytics YOLO26, а также достижения в архитектуре, методиках обучения и эффективности развёртывания.
YOLOv7: первопроходец в применении «бесплатных преимуществ»#
YOLOv7 представили в середине 2022 года. Благодаря нескольким архитектурным оптимизациям она улучшила обнаружение объектов в реальном времени на GPU без увеличения затрат на инференс.
Сведения о модели
- Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
- Организация: Институт информатики Академии Синика
- Дата: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Документация: Документация Ultralytics YOLOv7
В YOLOv7 появилась концепция обучаемого «набора бесплатных улучшений» (bag-of-freebies), основанная на методах репараметризации и расширенных эффективных сетях агрегации слоёв (E-ELAN). Это позволило модели изучать более разнообразные признаки и непрерывно повышать способность сети к обучению, не нарушая исходный путь градиента. На момент выпуска модель достигла передовых результатов на COCO, однако её архитектура опирается на выходы с якорями и требует постобработки Non-Maximum Suppression (NMS), которая может создавать узкие места по задержке при развёртывании.
YOLO26: стандарт ИИ для компьютерного зрения с приоритетом периферийных устройств#
Выпущенная в январе 2026 года Ultralytics YOLO26 переосмысливает конвейер обнаружения объектов, уделяя особое внимание простоте развёртывания, стабильности обучения и эффективности использования 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 учётом современных требований к развёртыванию. В её архитектуре реализовано несколько ключевых нововведений:
- Сквозная архитектура без NMS: в YOLO26 предусмотрена дополнительная голова один-к-одному (
nms=False), которая пропускает этап постобработки NMS. Этот подход впервые появился в YOLOv10. В результате конвейер развёртывания становится быстрее и проще, а переменная задержка, обычно возникающая в загруженных сценах, устраняется. - Удаление DFL: удаление Distribution Focal Loss (DFL) упрощает экспорт модели, улучшая совместимость с периферийными устройствами и маломощным оборудованием IoT.
- До 43% более высокая скорость инференса на CPU: благодаря упрощённой архитектуре YOLO26 оптимизирована для периферийных вычислений и устройств без выделенных GPU; YOLO26n работает на CPU до 43% быстрее YOLO11n.
- 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. Он обеспечивает более стабильное обучение и ускоряет сходимость в задачах компьютерного зрения.
- ProgLoss + STAL: прогрессивная функция потерь и стратегия назначения меток с учётом малых объектов улучшают распознавание мелких объектов, что особенно важно для аэрофотоснимков, робототехники и автоматизированной проверки качества.
- Улучшения для отдельных задач: Помимо стандартного обнаружения объектов, YOLO26 предлагает мультимасштабный прототип и специализированную функцию семантической сегментации для задач сегментации, оценку логарифма правдоподобия с остатком (RLE) для оценки позы и специализированные алгоритмы функции потерь для углов, устраняющие проблемы на границах ориентированных ограничивающих рамок (OBB).
Если твой проект уже использует пакет ultralytics, перейти на YOLO26 можно, просто изменив строку с названием модели в коде Python на yolo26n.pt; веса загрузятся автоматически. В проектах YOLOv7 из исходного репозитория можно повторно использовать датасеты в формате YOLO и переобучить модель с помощью API Ultralytics.
Сравнение производительности и метрик#
По вычислительным затратам YOLO26 обеспечивает более удачный баланс точности, скорости и требований к памяти. Моделям на основе Transformer и старым тяжёлым архитектурам часто требуется много памяти CUDA, тогда как YOLO26 эффективно обучается на потребительских GPU.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Как видно выше, модель YOLO26m обеспечивает такую же точность, как значительно более крупная модель YOLOv7x (53,1 mAP), при этом число параметров меньше более чем втрое (20,4M против 71,3M), а инференс быстрее при использовании TensorRT (4,7 мс против 11,57 мс).
Преимущества экосистемы Ultralytics#
Развёртывание устаревших моделей часто связано со сложными сторонними репозиториями, конфликтами зависимостей и ручными скриптами экспорта. В отличие от них, Ultralytics Platform предлагает хорошо поддерживаемую целостную экосистему, упрощающую весь жизненный цикл машинного обучения.
- Простота использования: благодаря интуитивно понятному Python API и подробной документации ты можешь размечать датасеты, обучать и развёртывать модели за считаные минуты. Для экспорта в форматы вроде ONNX или CoreML достаточно одной строки кода.
- Требования к памяти: модели Ultralytics известны низким потреблением памяти. В отличие от некоторых крупных визуальных Transformer, YOLO26 можно дообучать на стандартном оборудовании, не сталкиваясь с нехваткой памяти (OOM).
- Универсальность: YOLOv7 была в первую очередь детектором объектов (хотя для других задач существовали экспериментальные ветви), а YOLO26 — это унифицированная платформа для обнаружения объектов, сегментации экземпляров, семантической сегментации, оценки глубины, классификации, оценки позы и OBB, а также отслеживания нескольких объектов.
Хотя YOLO26 — рекомендуемый стандарт, разработчики, переносящие устаревшие системы, могут также рассмотреть YOLO11, предыдущее поколение линейки Ultralytics, которое обеспечивает проверенную стабильность в проектах с длительным сроком поддержки.
Пример кода: обучение и развертывание#
В следующем примере показан рабочий процесс ultralytics, заменяющий длинные аргументы командной строки, использовавшиеся в старых репозиториях.
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", nms=False)
# Export directly to ONNX for edge deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")Примеры применения в реальных условиях#
Выбор подходящей архитектуры зависит от ограничений производственной среды.
Когда стоит рассмотреть YOLOv7: YOLOv7 остаётся полезным инструментом для академического сравнения с результатами 2022 года. Если твоя инфраструктура использует устаревшие конвейеры CUDA, жёстко привязанные к конкретным выходам YOLOv7 с якорями, и у тебя нет ресурсов на переработку, YOLOv7 по-прежнему будет надёжной базовой моделью обнаружения объектов.
Когда стоит выбрать YOLO26: Для новых проектов рекомендуется YOLO26. Её дополнительная голова без NMS подходит для автономной навигации с низкой задержкой и систем безопасности, работающих в реальном времени. Удаление DFL и более быстрый инференс на CPU делают модель подходящей для развёртывания периферийного ИИ, например на Raspberry Pi или во встроенной системе бытовой электроники. Кроме того, улучшения ProgLoss + STAL помогают обнаруживать мельчайшие аномалии при контроле качества производства и анализе спутниковых снимков.
В целом YOLO26 предлагает разработчикам удачное сочетание точности, скорости и простоты, а также поддержку активного сообщества разработчиков открытого ПО.
Комментарии2
Задай вопрос, поделись результатами или помоги кому-нибудь.
Murat Raimbekov(изменено)hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included
YOLOv7l(51.4 mAP, 36.9M params) andYOLOv7x(53.1 mAP, 71.3M params) at 640px. they didn't includeYOLOv7-tinyor the higher-resolution variants (W6, E6, D6, E6E at 1280px).these variants do exist in the yolov7 model docs with the numbers from the original paper:
variant imgsz mAP params (M) flops (B) YOLOv7-tiny-SiLU 640 38.7 6.2 13.8 YOLOv7 640 51.4 36.9 104.7 YOLOv7-X 640 53.1 71.3 189.9 YOLOv7-W6 1280 54.9 70.4 360.0 YOLOv7-E6 1280 56.0 97.2 515.2 YOLOv7-D6 1280 56.6 154.7 806.8 YOLOv7-E6E 1280 56.8 151.7 843.2 the comparison focused on the two 640-resolution scales that line up most directly with the modern yolo26 sizes (n/s/m/l/x @ 640).
worth noting: yolov7 is a third-party model from wang et al. and is not natively supported in the ultralytics package. we publish docs for reference, but training/inference uses the original WongKinYiu/yolov7 repo.
1
bit-scientistwhy were the smaller yolov7 models not included in comparison tables and graphs?