YOLOv8 YOLO26: техническая эволюция искусственного интеллекта для обработки изображений в реальном времени
В быстро меняющемся мире компьютерного зрения эволюция от YOLOv8 к YOLO26 представляет собой значительный скачок вперед в области эффективности, скорости и усовершенствования архитектуры. В то время как YOLOv8 отраслевой стандарт универсальности и простоты использования после своего выпуска в 2023 году, выпуск YOLO26 в 2026 году вводит революционные изменения, такие как сквозное обнаружение NMS и оптимизация, вдохновленная LLM.
В этом руководстве представлено подробное техническое сравнение, которое поможет разработчикам, исследователям и инженерам выбрать модель, наиболее подходящую для их конкретных потребностей развертывания.
Обзоры моделей
Ultralytics YOLOv8
Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата: 10.01.2023
GitHub:ultralytics
Документация:YOLOv8
Выпущенный в начале 2023 года, YOLOv8 переопределил пользовательский опыт в области искусственного интеллекта для зрения. Он представил унифицированную структуру для обнаружения объектов, сегментации экземпляров, оценки позы и классификации. Построенный на PyTorch , он отличается отсутствием якорных точек обнаружения и конвейером увеличения данных мозаики, который стал эталоном сбалансированной скорости и точности.
Ultralytics YOLO26
Авторы: Гленн Джочер и Цзин Цю
Организация:Ultralytics
Дата: 14.01.2026
GitHub:ultralytics
Документация:Документация YOLO26
YOLO26 — это новейшая версия от Ultralytics, разработанная для удовлетворения растущего спроса на оптимизированную для периферийных устройств производительность. Она стала пионером в области нативной сквозной архитектуры NMS, устранив необходимость в этапах постобработки, которые часто создают узкие места в процессе вывода. Благодаря оптимизациям, таким как оптимизатор MuSGD и удаление Distribution Focal Loss (DFL), YOLO26 обеспечивает до 43% более быстрое CPU по сравнению с предыдущими поколениями.
Архитектурные различия
Переход от YOLOv8 YOLO26 сопровождается фундаментальными изменениями в способах обработки изображений и обучения сети на основе данных.
1. Сквозная архитектура без NMS
Одно из наиболее важных отличий заключается в обработке дублирующихся ограничивающих рамок.
- YOLOv8: использует метод подавления не максимальных значений (NMS) во время постобработки для фильтрации перекрывающихся прямоугольников. Несмотря на свою эффективность, NMS изменчивость задержки и усложняет развертывание, особенно на нестандартном оборудовании.
- YOLO26: Использует нативный подход «от начала до конца», аналогичный YOLOv10. Обучая модель выводить ровно одну рамку на каждый объект, он полностью устраняет NMS . Это приводит к детерминированной задержке и упрощению конвейеров экспорта в такие форматы, как TensorRT и CoreML.
Почему важен NMS-Free
Удаление NMS кардинально NMS ситуацию с развертыванием на периферии. Это снижает вычислительную нагрузку на ЦП и обеспечивает стабильное время вывода модели независимо от количества объектов, обнаруженных в сцене.
2. Функции потерь и оптимизация
YOLO26 использует уроки, извлеченные из обучения больших языковых моделей (LLM), для повышения стабильности и сходимости.
- ProgLoss + STAL: YOLO26 использует ProgLoss и STAL (Soft Target Assignment Loss), которые обеспечивают более плавные градиенты и лучшую обработку сложных образцов, особенно для обнаружения небольших объектов.
- Оптимизатор MuSGD: Вдохновленный Kimi K2 от Moonshot AI, оптимизатор MuSGD сочетает в себе преимущества SGD обновлениями импульса, аналогичными оптимизатору Muon. Это нововведение стабилизирует обучение при более высоких скоростях обучения, сокращая общее время обучения.
- Удаление DFL: YOLOv8 распределенную фокальную потерю (DFL) для уточнения границ прямоугольников. YOLO26 удаляет DFL, чтобы упростить архитектуру для периферийных устройств, сокращая количество выходных каналов и объем памяти без потери точности.
3. Улучшения, связанные с конкретными задачами
В то время как YOLOv8 несколько задач в общем виде, YOLO26 добавляет специализированные улучшения:
- Сегментация: Вводит семантическую потерю сегментации и многомасштабные прото-модули для более четких границ маски.
- Поза: использует оценку остаточной логарифмической вероятности (RLE) для более точного определения неопределенности в локализации ключевых точек.
- OBB: устраняет разрывы границ в задачах ориентированного ограничивающего прямоугольника с помощью специальной потери угла.
Сравнение производительности
Ниже приведено подробное сравнение показателей производительности на COCO . YOLO26 демонстрирует превосходную скорость и эффективность во всех масштабах модели.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.4 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.7 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.2 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.4 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 193.9 |
Примечание: YOLO26n достигает замечательного снижения CPU на 43 % по сравнению с YOLOv8n повышая точность на 3,6 mAP.
Обучение и удобство использования
Обе модели используют преимущества надежной Ultralytics , известной своей простотой «от нуля до героя».
Простота использования и экосистема
Независимо от того, выберете ли вы YOLOv8 YOLO26, вы получите доступ к одному и тому же унифицированному API. Переключение между моделями так же просто, как изменение строки в коде.
from ultralytics import YOLO
# Load YOLOv8
model_v8 = YOLO("yolov8n.pt")
# Load YOLO26 (Recommended)
model_26 = YOLO("yolo26n.pt")
# Training is identical
model_26.train(data="coco8.yaml", epochs=100)
Обе модели полностью интегрированы с Ultralytics (ранее HUB), что обеспечивает беспрепятственное управление наборами данных, обучение в облаке и развертывание в один клик.
Эффективность обучения
YOLOv8 является высокоэффективным, но обычно требует стандартных AdamW SGD AdamW . YOLO26 с оптимизатором MuSGD часто сходится быстрее, экономя ценное GPU . Кроме того, YOLO26 обычно требует меньше CUDA во время обучения по сравнению с архитектурами с интенсивным использованием трансформаторов, такими как RT-DETR, что позволяет пользователям обучать более крупные партии на потребительских GPU, таких как NVIDIA 3060 или 4090.
Идеальные варианты использования
Когда следует остановиться на YOLOv8
- Устаревшие проекты: если у вас уже есть стабильный производственный конвейер, построенный на основе YOLOv8 вы не можете позволить себе время на проверку обновления.
- Исследовательские базовые показатели: YOLOv8 стандартным академическим базовым показателем для сравнения благодаря его широкому применению и цитированию.
Когда переходить на YOLO26
- Развертывание на периферии: для приложений, работающих на Raspberry Pi, мобильных устройствах или встроенных системах, CPU на 43 % имеет решающее значение.
- Задержка в реальном времени: если ваше приложение (например, автономное вождение или робототехника) требует детерминированной задержки, конструкция NMS устраняет джиттер, вызванный постобработкой в перегруженных сценах.
- Высокие требования к точности: YOLO26 стабильно превосходит YOLOv8 mAP всех масштабах, что делает его лучшим выбором для задач, требующих высокой точности, таких как медицинская визуализация или обнаружение дефектов.
Заключение
В то время как YOLOv8 остается мощным и универсальным инструментом, YOLO26 представляет собой будущее эффективного компьютерного зрения. Сочетая простоту использования Ultralytics с передовыми архитектурными инновациями, такими как обнаружение NMS и оптимизация, вдохновленная LLM, YOLO26 предлагает привлекательный путь обновления.
Для разработчиков, начинающих новые проекты сегодня, YOLO26 является рекомендуемым выбором, предлагая лучший баланс скорости, точности и эффективности использования ресурсов, доступный в 2026 году.
Дополнительная литература
- Ознакомьтесь с другими моделями, такими как YOLO11 для сравнения.
- Узнайте о экспорте моделей в ONNX TensorRT.
- Посетите Ultralytics , чтобы ознакомиться с последними учебными материалами и примерами из практики.