YOLOv7 и YOLO26#

Развитие компьютерного зрения отмечено важными вехами, а сравнение устаревших архитектур с современными моделями уровня state of the art дает полезные сведения инженерам ML. В этом техническом сравнении подробно рассматриваются различия между влиятельной YOLOv7 и революционной Ultralytics YOLO26, а также достижения в архитектуре, методиках обучения и эффективности развертывания.

YOLOv7: первопроходец в применении «бесплатных преимуществ»#

Представленная в середине 2022 года YOLOv7 расширила возможности оборудования GPU благодаря нескольким архитектурным оптимизациям, повысившим точность 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 была представлена концепция обучаемых «бесплатных преимуществ» (bag-of-freebies), в основе которой лежат методы перепараметризации и расширенная сеть эффективной агрегации слоев (E-ELAN). Благодаря этому модель могла извлекать более разнообразные признаки и постоянно улучшать способность сети к обучению, не нарушая исходный путь градиента. В свое время модель показала впечатляющий результат state of the art на COCO, но ее архитектура по-прежнему сильно зависит от анкорных выходов и требует сложной постобработки с помощью подавления немаксимумов (NMS), которая может увеличивать задержку при развертывании.

Узнай больше о YOLOv7

YOLO26: стандарт ИИ для компьютерного зрения с приоритетом периферийных устройств#

Выпущенная в январе 2026 года Ultralytics YOLO26 меняет подход к обнаружению объектов, полностью переосмысливая соответствующий конвейер и уделяя первостепенное внимание простоте развертывания, 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 с нуля создавалась для решения современных инженерных задач. В ее архитектуре реализовано несколько важных нововведений, благодаря которым модель значительно превосходит предшественников:

• Сквозная архитектура без NMS: В YOLO26 можно использовать дополнительную голову «один к одному» (nms=False), которая пропускает постобработку с NMS. Этот новаторский подход впервые появился в YOLOv10. Благодаря ему конвейер развертывания становится быстрее и значительно проще, а колебания задержки, которые обычно возникают в сценах с большим количеством объектов, исчезают.
• Отказ от DFL: Удаление Distribution Focal Loss (DFL) значительно упрощает экспорт модели и улучшает совместимость с периферийными устройствами и маломощным оборудованием IoT.
• Инференс на CPU до 43% быстрее: Благодаря упрощенной архитектуре YOLO26 специально оптимизирована для периферийных вычислений и устройств без выделенных GPU и легко превосходит старые архитектуры на обычных процессорах.
• Оптимизатор MuSGD: Вдохновленная методами обучения больших языковых моделей, в частности Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD — гибрид стохастического градиентного спуска и Muon. Он обеспечивает непревзойденную стабильность обучения и значительно ускоряет сходимость в задачах компьютерного зрения.
• ProgLoss + STAL: Благодаря этим усовершенствованным функциям потерь заметно повысилась точность распознавания небольших объектов, что критически важно для аэрофотосъемки, робототехники и автоматизированного контроля 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).

Сравнение производительности и метрик#

При сравнении вычислительной нагрузки видно, что YOLO26 лучше сочетает производительность и требования к памяти. Для моделей на основе Transformer и старых ресурсоемких архитектур часто нужны значительные объемы памяти CUDA, тогда как YOLO26 эффективно обучается на пользовательских GPU.

Как видно выше, модель YOLO26m обеспечивает сопоставимую точность (53,1 mAP) с гораздо более крупной моделью YOLOv7x, но использует менее трети ее параметров (20,4 млн против 71,3 млн) и очень быстро выполняет инференс с помощью TensorRT.

Преимущества экосистемы Ultralytics#

Развертывание устаревших моделей часто связано со сложными сторонними репозиториями, проблемами с зависимостями и ручными скриптами экспорта. В отличие от них, платформа Ultralytics предлагает хорошо поддерживаемую целостную экосистему, упрощающую весь жизненный цикл машинного обучения.

• Простота использования: Благодаря интуитивно понятному Python API и подробной документации ты можешь размечать данные, обучать и развертывать модели за считаные минуты. Для экспорта в такие форматы, как ONNX и CoreML, достаточно одной строки кода.
• Требования к памяти: Модели Ultralytics известны низким потреблением памяти. В отличие от некоторых громоздких визуальных Transformer, YOLO26 легко дообучается на стандартном оборудовании без ошибок нехватки памяти (OOM).
• Универсальность: Хотя YOLOv7 в первую очередь был детектором объектов (с несколькими экспериментальными ветками для других задач), YOLO26 — это изначально единый фреймворк для детекции, сегментации, классификации, определения позы и OBB, а также мног objectного трекинга.

Пример кода: обучение и развертывание#

Следующий пример показывает элегантную простоту пакета ultralytics. Обрати внимание, насколько чище выглядит интерфейс по сравнению с передачей 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", 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 полностью зависит от ограничений твоей производственной среды.

Когда стоит выбрать YOLOv7: YOLOv7 остаётся полезным инструментом для академического сравнения с результатами 2022 года. Если твоя инфраструктура активно использует устаревшие конвейеры CUDA, жёстко привязанные к конкретным выходам якорей YOLOv7, и у тебя нет ресурсов на рефакторинг, модель по-прежнему будет надёжным базовым детектором.

Когда стоит выбрать YOLO26: Для любого нового проекта оптимальным выбором будет YOLO26. Архитектура без NMS отлично подходит для автономной навигации с низкой задержкой и систем безопасности реального времени. Отказ от DFL и значительный прирост скорости на CPU делают YOLO26 бесспорным лидером для развертывания на периферийных устройствах, например на Raspberry Pi или во встроенной электронике. Кроме того, улучшения ProgLoss + STAL помогают модели эффективно обнаруживать мелкие аномалии при контроле качества на производстве и анализе спутниковых изображений.

В итоге YOLO26 предлагает разработчикам уникальное сочетание точности, скорости и простоты, подкреплённое всесторонней поддержкой сообщества open source.