YOLOv8 против YOLO26#

За последние несколько лет в области компьютерного зрения произошли remarkable advancements. Среди наиболее популярных архитектур для приложений реального времени — модели, разработанные Ultralytics. Это подробное руководство содержит техническое сравнение Ultralytics YOLOv8 и новейшей передовой модели Ultralytics YOLO26. Мы проанализируем их архитектуры, показатели производительности и оптимальные сценарии использования, чтобы помочь тебе выбрать подходящую модель для развертывания.

Обзор моделей#

И YOLOv8, и YOLO26 представляют собой важные этапы развития семейства моделей YOLO. Их объединяет основная философия Ultralytics: предоставлять быстрые, точные и невероятно простые в использовании модели через единую среду Python и API.

YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года, YOLOv8 полностью обновила фреймворк YOLO, добавив безъякорную архитектуру и надежную поддержку множества задач компьютерного зрения.

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

YOLOv8 быстро стала отраслевым стандартом благодаря отличному балансу производительности и глубокой интеграции в экосистему Ultralytics. Она изначально поддерживает детекцию объектов, сегментацию экземпляров, оценку позы и классификацию изображений. Однако для постобработки она использует стандартное подавление немаксимумов (NMS), которое может создавать узкие места по задержке в сильно ограниченных периферийных средах.

YOLO26: мощная модель нового поколения для периферийных устройств#

Выпущенная в январе 2026 года, YOLO26 развивает основу, заложенную предшественниками, и агрессивно оптимизирует ее для современных сценариев развертывания, особенно в периферийном ИИ и устройствах с низким энергопотреблением.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: Репозиторий Ultralytics
• Документация: Документация YOLO26

YOLO26 представляет несколько технических улучшений, меняющих привычный подход. В первую очередь это сквозная архитектура без NMS. Впервые предложенная в YOLOv10, эта архитектура устраняет необходимость в постобработке NMS, значительно упрощает конвейеры экспорта и уменьшает вариативность задержки. Кроме того, отказ от Distribution Focal Loss (DFL) упрощает голову детекции, делая модель чрезвычайно удобной для развертывания на периферийном ИИ-оборудовании.

Архитектурные инновации и улучшения обучения#

YOLO26 получила ряд внутренних улучшений, которые значительно превосходят базовые возможности YOLOv8.

Оптимизированное обучение с MuSGD#

Эффективность обучения — отличительная черта моделей Ultralytics, которым обычно требуется значительно меньше памяти по сравнению с громоздкими архитектурами на основе Transformer, такими как RT-DETR. YOLO26 развивает это преимущество благодаря оптимизатору MuSGD. Созданный под влиянием методов обучения больших языковых моделей (LLM), в частности Kimi K2 от Moonshot AI, этот гибрид стохастического градиентного спуска (SGD) и Muon обеспечивает более быструю сходимость и высокостабильную динамику обучения на сложных наборах данных.

Продвинутые функции потерь#

Для задач, требующих высокой точности, например обработки изображений с дронов или данных IoT-сенсоров, YOLO26 представляет ProgLoss + STAL. Эти улучшенные функции потерь заметно повышают качество распознавания маленьких объектов. Кроме того, YOLO26 предлагает специализированные улучшения для разных задач: многоуровневый proto для более качественной генерации масок при сегментации, Residual Log-Likelihood Estimation (RLE) для более точной оценки позы и специализированную функцию потерь угла для устранения проблем на границах при детекции ориентированных ограничивающих прямоугольников (OBB).

Анализ и сравнение производительности#

В следующей таблице показаны различия в производительности двух моделей на наборе данных COCO. Лучшие показатели в каждой категории размера выделены жирным шрифтом.

Анализ метрик#

Данные демонстрируют скачок между поколениями. YOLO26 значительно превосходит YOLOv8 по всем метрикам. Модель YOLO26 Nano (YOLO26n) достигает впечатляющего показателя 40.9 mAP — значительно выше, чем 37.3 у YOLOv8n, — используя при этом меньше параметров и FLOPs.

Одно из самых заметных улучшений — скорость инференса на CPU. Благодаря оптимизированной архитектуре и удалению DFL YOLO26 обеспечивает до 43% более быстрый инференс на CPU через ONNX. Это делает YOLO26 непревзойденным решением для Raspberry Pi и других периферийных устройств с ограниченными ресурсами. Хотя скорость на GPU при использовании TensorRT у обеих моделей сопоставима, общая эффективность YOLO26 по числу параметров обеспечивает меньший объем памяти, необходимый как при обучении, так и при инференсе.

Простота использования и экосистема#

Обе модели получают значительные преимущества от поддерживаемой в актуальном состоянии экосистемы Ultralytics. Разработчики высоко оценивают удобство единого API, который позволяет переключаться между YOLOv8 и YOLO26 простой заменой строки с именем модели.

Занимаешься ли ты настройкой гиперпараметров, отслеживанием экспериментов или изучаешь новые наборы данных, документация Ultralytics предлагает обширные ресурсы. Кроме того, платформа Ultralytics предоставляет удобный способ размечать данные, обучать и бесшовно развертывать эти модели в облаке или локально.

Пример кода#

Начать обучение и инференс очень просто. Ниже приведен полный готовый к запуску пример с использованием Python API Ultralytics:

from ultralytics import YOLO

# Load the latest state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset for 50 epochs
# The MuSGD optimizer is automatically leveraged for YOLO26
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Use '0' for GPU training
)

# Run inference on a sample image
# The NMS-free design provides clean, rapid predictions
results = model("https://ultralytics.com/images/bus.jpg")

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

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")

Идеальные сценарии использования#

Выбор подходящей модели определяет успех твоего проекта.

Когда стоит выбрать YOLO26:

• Периферийные вычисления и робототехника: скорость на CPU на 43% выше, а отсутствие NMS делает эту модель безусловно лучшим выбором для встроенных систем, мобильных устройств и автономных роботов.
• Аэрофотосъемка и спутниковые изображения: реализация ProgLoss + STAL дает YOLO26 заметное преимущество при обнаружении крошечных объектов на сложных ландшафтах с высоким разрешением.
• Новые проекты: как последний стабильный релиз, YOLO26 рекомендуется для любого нового конвейера машинного обучения, обеспечивая превосходную универсальность для всех задач.

Когда стоит сохранить YOLOv8:

• Устаревшая инфраструктура: если твой текущий производственный конвейер тесно связан с конкретными выходными тензорами и якорными механизмами YOLOv8, миграция может потребовать небольшой адаптации.
• Академические базовые модели: YOLOv8 остается часто цитируемой и стабильной базовой моделью для академических исследований компьютерного зрения, в которых сравниваются более старые архитектуры.

В заключение: хотя YOLOv8 установила выдающийся стандарт для задач компьютерного зрения в реальном времени, YOLO26 переопределяет границы возможного. Объединяя значительный прирост эффективности на CPU с инновационными оптимизаторами обучения, вдохновленными LLM, YOLO26 позволяет разработчикам развертывать высокоточный ИИ практически на любом оборудовании.