Начать

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

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.

Узнай больше о YOLOv7

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

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).
Переход на YOLO26

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.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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.
Другие модели Ultralytics

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.

Участники

Комментарии2

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. Murat Raimbekov(изменено)

    hey @bit-scientist, you're right - the YOLOv7 vs YOLO26 comparison tables only included YOLOv7l (51.4 mAP, 36.9M params) and YOLOv7x (53.1 mAP, 71.3M params) at 640px. they didn't include YOLOv7-tiny or 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:

    variantimgszmAPparams (M)flops (B)
    YOLOv7-tiny-SiLU64038.76.213.8
    YOLOv764051.436.9104.7
    YOLOv7-X64053.171.3189.9
    YOLOv7-W6128054.970.4360.0
    YOLOv7-E6128056.097.2515.2
    YOLOv7-D6128056.6154.7806.8
    YOLOv7-E6E128056.8151.7843.2

    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