YOLOv7 и YOLOv8#

Стремительное развитие компьютерного зрения привело к появлению множества мощных инструментов для разработчиков и исследователей. При выборе подходящей архитектуры для конвейера обнаружения объектов важно сравнивать проверенные модели. В этом техническом руководстве подробно рассматриваются архитектуры, метрики производительности и оптимальные варианты применения двух чрезвычайно влиятельных моделей: YOLOv7 и Ultralytics YOLOv8.

Введение в архитектуры#

Обе модели демонстрируют значительный прирост производительности, но подходят к оптимизации глубоких нейронных сетей с разных структурных позиций.

YOLOv7: пионер «бесплатных улучшений»#

Представленная в середине 2022 года, YOLOv7 была в значительной степени сосредоточена на оптимизации архитектурных градиентных путей и концепции «обучаемого набора бесплатных улучшений», чтобы расширить возможности обнаружения в реальном времени на высокопроизводительном оборудовании.

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информационных наук, Academia Sinica, Тайвань
• Дата: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Документация: Документация Ultralytics YOLOv7

Основные особенности архитектуры: YOLOv7 в основном использует голову обнаружения на основе якорей (при этом в ней экспериментировали с безъякорными ветвями) и представляет Extended Efficient Layer Aggregation Networks (E-ELAN). Эта архитектура улучшает способность сети к обучению, не разрушая исходный градиентный путь. Она исключительно хорошо работает на серверных GPU, что делает её особенно подходящей для ресурсоёмкой видеоаналитики.

Преимущества и недостатки: YOLOv7 обеспечивает отличную задержку на специализированном оборудовании, однако её экосистема сильно фрагментирована. Для обучения требуются сложные аргументы командной строки, ручное клонирование репозитория и строгое управление зависимостями в PyTorch. Кроме того, требования к памяти во время обучения могут быть чрезмерными для пользовательского оборудования.

Узнай больше о YOLOv7

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года, YOLOv8 полностью переосмыслила опыт разработчика, сосредоточившись не только на точности уровня лучших современных решений, но и на создании унифицированного фреймворка, готового к использованию в производстве.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: ultralytics/ultralytics
• Платформа: Ultralytics YOLOv8

Основные особенности архитектуры: В YOLOv8 появилась встроенная безъякорная голова обнаружения, устраняющая необходимость вручную настраивать якорные блоки на основе набора данных MS COCO или пользовательских распределений данных. В ней используется модуль C2f для улучшения прохождения градиента, а также раздельная структура головы, отделяющая задачи определения объектности, классификации и регрессии. Это значительно ускоряет сходимость и повышает точность.

Преимущества и недостатки: YOLOv8 отличается исключительной эффективностью использования памяти. Во время обучения ей требуется значительно меньше памяти CUDA по сравнению с YOLOv7 и более тяжёлыми моделями на базе Transformer, что позволяет разработчикам использовать больший размер пакета. Её главное преимущество — универсальность: встроенная поддержка сегментации экземпляров, классификации изображений, оценки позы и ориентированных ограничивающих рамок (OBB). Единственный незначительный недостаток заключается в том, что для узкоспециализированных устаревших конвейеров, созданных исключительно для тензоров YOLOv7, может потребоваться небольшой период рефакторинга.

Подробное сравнение производительности#

В следующей таблице представлены метрики производительности для основных размеров моделей. Обрати внимание на выраженный баланс производительности, которого достигает YOLOv8, уделяя особое внимание быстрому выводу на периферийных устройствах и одновременно сохраняя точность мирового уровня.

Примечание: YOLOv8x достигает наибольшего значения mAP в этой группе, тогда как YOLOv8n лидирует по эффективности использования параметров и скорости вывода, что делает её безоговорочным чемпионом для развёртывания компьютерного зрения на периферийных AI-устройствах.

Простота использования и эффективность обучения#

Когда речь заходит о простоте использования, Ultralytics YOLOv8 находится в собственной лиге. Более старые архитектуры, такие как YOLOv7, требуют клонировать определённые репозитории и запускать подробные скрипты командной строки для настройки наборов данных и путей.

Напротив, пакет ultralytics для YOLOv8 обеспечивает значительно более простой опыт разработки. Эффективность обучения повышается благодаря автоматической загрузке данных, готовым предварительно обученным весам и удобным возможностям экспорта в такие форматы, как ONNX и TensorRT.

Вот как легко можно загрузить модель, обучить её и выполнить вывод с помощью API Python Ultralytics:

from ultralytics import YOLO

# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

Идеальные сценарии использования#

Выбор между этими архитектурами часто зависит от конкретных ограничений среды развёртывания.

Когда выбирать YOLOv7#

• Устаревшее тестирование: подходит исследователям, которым нужен фиксированный базовый уровень для сравнения с архитектурными стандартами 2022 года.
• Существующая мощная инфраструктура: среды, в которые значительные вложения сделаны в GPU NVIDIA V100 или A100 и где конкретные конфигурации тензоров YOLOv7 глубоко встроены в устаревший конвейер C++.

Когда стоит выбрать YOLOv8#

• Кросс-платформенное производство: идеально подходит командам, которым необходимо беспрепятственно развёртывать решения в облачных GPU, на мобильных устройствах и в браузерах.
• Требования к нескольким задачам: если твоему проекту нужно выйти за пределы ограничивающих рамок и использовать содержательные маски сегментации экземпляров или ключевые точки позы.
• Периферийные устройства с ограниченными ресурсами: YOLOv8 Nano (yolov8n) обеспечивает впечатляющее соотношение точности и скорости для робототехники, дронов и датчиков IoT.

Взгляд в будущее: смена поколения с переходом к YOLO26#

Хотя YOLOv8 остаётся очень надёжным выбором, область компьютерного зрения развивается стремительно. Для разработчиков, которые начинают полностью новые высокопроизводительные проекты, Ultralytics недавно представила следующее поколение AI-моделей. Настоятельно рекомендуется изучить как тщательно доработанную YOLO11, так и недавно выпущенную YOLO26.

Выпущенная в январе 2026 года, YOLO26 расширяет границы возможного на периферийных устройствах:

• Сквозная архитектура без NMS: YOLO26 изначально работает сквозным образом, полностью устраняя постобработку Non-Maximum Suppression (NMS). Это обеспечивает значительно более быстрые и простые конвейеры развёртывания без узких мест по задержке, характерных для традиционных моделей с плотным предсказанием.
• Удаление DFL: благодаря удалению Distribution Focal Loss YOLO26 обеспечивает гораздо более простые варианты развёртывания модели и лучшую совместимость с периферийными устройствами.
• До 43% более быстрый вывод на CPU: модель тщательно оптимизирована для сред с ограниченными ресурсами, таких как Raspberry Pi и встраиваемые системы, и превосходит все предыдущие поколения по пропускной способности CPU.
• Оптимизатор MuSGD: вдохновлённый методами обучения Large Language Model (LLM), YOLO26 объединяет SGD и Muon в гибридный подход. Это обеспечивает беспрецедентную стабильность обучения и молниеносную сходимость.
• ProgLoss + STAL: эти продвинутые функции потерь заметно улучшают распознавание небольших объектов, что особенно важно для аэрофотосъёмки, автоматизированного сельского хозяйства и робототехники.

Независимо от того, масштабируешь ли ты видеоаналитику до огромных кластеров с YOLOv8 или переносишь вывод на крошечные периферийные устройства с передовой YOLO26, платформа Ultralytics предоставляет инструменты для удобного управления всем жизненным циклом AI.