YOLOv7 и YOLOv8#

Быстрое развитие компьютерного зрения дало разработчикам и исследователям целый ряд мощных инструментов. При выборе подходящей архитектуры для конвейера обнаружения объектов важно сравнить проверенные модели. В этом техническом руководстве подробно рассматриваются архитектуры, показатели производительности и оптимальные сценарии использования двух весьма влиятельных моделей: YOLOv7 и Ultralytics YOLOv8.

Знакомство с архитектурами#

Обе модели обеспечили значительный прирост производительности, но решают задачу оптимизации глубоких нейронных сетей, опираясь на разные структурные подходы.

YOLOv7: первопроходец среди моделей с бесплатными улучшениями#

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

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информатики, Академия Синика, 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 (хотя в ней экспериментировали с безъякорными ветвями) и представляет расширенные эффективные сети агрегации слоёв (E-ELAN). Такая архитектура повышает способность сети к обучению, не нарушая исходный путь распространения градиента. Модель исключительно хорошо работает на серверных GPU, что делает её отличным выбором для ресурсоёмкой видеоаналитики.

Сильные и слабые стороны: YOLOv7 обеспечивает отличную задержку на специализированном оборудовании, но её экосистема сильно фрагментирована. Для обучения нужно указывать сложные аргументы командной строки, вручную клонировать репозитории и строго контролировать зависимости в PyTorch. Кроме того, требования к памяти во время обучения могут оказаться слишком высокими для потребительского оборудования.

Узнай больше о YOLOv7

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года YOLOv8 полностью изменила опыт разработчиков: её создали не только для достижения современной точности, но и как унифицированный фреймворк, готовый к производственному использованию.

• 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, благодаря которой не нужно вручную настраивать якорные рамки на основе набора данных MS COCO или распределения пользовательских данных. В модели используется модуль C2f для улучшения распространения градиентов и разделённая голова, которая выполняет классификацию и регрессию отдельно. Это значительно ускоряет сходимость и повышает точность.

Сильные и слабые стороны: YOLOv8 отличается высокой эффективностью использования памяти. Во время обучения ей требуется значительно меньше памяти CUDA, чем YOLOv7 и более тяжёлым моделям Transformer, поэтому разработчики могут использовать более крупные размеры пакета. Главное преимущество модели — универсальность: она изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). Небольшой недостаток: для крайне специализированных устаревших конвейеров, работающих исключительно с тензорами YOLOv7, может потребоваться короткий этап рефакторинга.

Подробное сравнение производительности#

В таблице ниже приведены показатели производительности для моделей разных размеров. Обрати внимание на характерный баланс производительности YOLOv8: модель оптимизирована для быстрого инференса на периферийных устройствах и при этом обеспечивает точность мирового уровня.

Примечание: YOLOv8x показывает наивысшее значение mAP в этой группе, а YOLOv8n лидирует по эффективности использования параметров и скорости инференса, что делает её бесспорным лидером для развёртывания компьютерного зрения на периферийных устройствах с ИИ.

Удобство использования и эффективность обучения#

В вопросе простоты использования Ultralytics YOLOv8 вне конкуренции. Для работы со старыми архитектурами, например YOLOv7, нужно клонировать определённые репозитории и запускать многословные скрипты командной строки для настройки наборов данных и путей.

А пакет YOLOv8 ultralytics делает работу разработчика намного проще. Эффективность обучения повышается благодаря автоматической загрузке данных, готовым предварительно обученным весам и удобному экспорту в такие форматы, как ONNX и TensorRT.

Вот как просто загружать модель, обучать её и запускать инференс через Python API Ultralytics:

from ultralytics import YOLO

# Загрузка предварительно обученной облегчённой модели YOLOv8
model = YOLO("yolov8n.pt")

# Эффективно обучи модель на наборе данных COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Быстрый инференс на тестовом изображении
predictions = model("https://ultralytics.com/images/bus.jpg")

# Отобрази предсказания
predictions[0].show()

Оптимальные сценарии применения#

Выбор между этими архитектурами часто определяется конкретными ограничениями среды развёртывания.

Когда выбирать YOLOv7#

• Сравнение с устаревшими эталонами: подходит исследователям, которым нужна фиксированная базовая модель для сравнения с архитектурными стандартами 2022 года.
• Уже имеющаяся мощная инфраструктура: подходит для сред с GPU NVIDIA V100 или A100, где конкретные конфигурации тензоров YOLOv7 глубоко интегрированы в устаревший конвейер на C++.

Когда выбрать YOLOv8#

• Кроссплатформенная эксплуатация: идеально подходит командам, которым нужно беспрепятственно развёртывать модели на облачных GPU, мобильных устройствах и в браузерах.
• Работа с несколькими задачами: подходит, если проекту нужно выйти за рамки ограничивающих рамок и использовать сложные 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: скачок поколений с YOLO26#

YOLOv8 остаётся надёжным решением, но компьютерное зрение быстро развивается. Для разработчиков, которые только начинают новые высокопроизводительные проекты, Ultralytics недавно представила следующее поколение моделей ИИ. Настоятельно рекомендуем изучить тщательно усовершенствованную YOLO11 и недавно выпущенную YOLO26.

Выпущенная в январе 2026 года YOLO26 расширяет возможности периферийных устройств:

• Сквозная архитектура без NMS: YOLO26 поддерживает встроенный сквозной инференс без постобработки с помощью подавления немаксимумов (NMS), если включена опциональная голова один-к-одному (nms=False). Это позволяет значительно упростить и ускорить конвейеры развёртывания, устраняя узкие места по задержке, свойственные традиционным моделям с плотным прогнозированием.
• Отказ от DFL: отказ от Distribution Focal Loss упрощает варианты развёртывания модели и обеспечивает более широкую совместимость с периферийными устройствами.
• Инференс на CPU до 43% быстрее: модель значительно оптимизирована для сред с ограниченными ресурсами, например Raspberry Pi и встраиваемых систем, и превосходит все предыдущие поколения по пропускной способности CPU.
• Оптимизатор MuSGD: YOLO26 использует гибрид SGD и Muon, основанный на подходах к обучению больших языковых моделей (LLM). Это обеспечивает беспрецедентную стабильность обучения и молниеносную сходимость.
• ProgLoss + STAL: эти усовершенствованные функции потерь заметно повышают качество распознавания мелких объектов — это особенно важно для аэрофотосъёмки, автоматизации сельского хозяйства и робототехники.

Будь то масштабирование видеоаналитики до огромных кластеров на базе YOLOv8 или перенос инференса на компактные периферийные устройства с помощью передовой YOLO26 — платформа Ultralytics предоставляет инструменты для удобного управления всем жизненным циклом ИИ.