YOLOv8 и YOLO26#

За последние несколько лет в сфере компьютерного зрения произошел значительный прогресс. Среди самых популярных архитектур для приложений реального времени — модели, разработанные Ultralytics. В этом подробном руководстве мы сравним Ultralytics YOLOv8, ставшую настоящим прорывом, и новейшую передовую модель Ultralytics YOLO26. Мы рассмотрим их архитектуру, показатели производительности и оптимальные варианты применения, чтобы помочь тебе выбрать подходящую модель для развертывания.

Обзор моделей#

YOLOv8 и YOLO26 стали важными вехами в развитии семейства моделей YOLO. Они воплощают общий принцип Ultralytics: быстрые и точные модели, которыми очень легко пользоваться в единой среде Python через API.

YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года YOLOv8 привнесла масштабные изменения во фреймворк YOLO: архитектуру без якорей 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. Модель изначально поддерживает обнаружение объектов, сегментацию экземпляров, оценку позы и классификацию изображений. Однако для постобработки модель использует стандартное подавление немаксимумов (NMS), что может создавать узкие места и увеличивать задержку на сильно ограниченных по ресурсам периферийных устройствах.

YOLO26: передовая модель для периферийных устройств нового поколения#

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

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

YOLO26 предлагает несколько кардинальных технических улучшений. Самое заметное из них — сквозная архитектура без NMS. Впервые примененная в YOLOv10, эта архитектура устраняет необходимость в постобработке с помощью NMS, значительно упрощает конвейеры экспорта и уменьшает разброс задержки. Кроме того, удаление функции потерь Distribution Focal Loss (DFL) упрощает головку обнаружения, делая ее особенно удобной для развертывания на оборудовании для периферийного ИИ.

Инновации в архитектуре и обучении#

YOLO26 предлагает ряд внутренних усовершенствований, которые значительно превосходят базовую версию YOLOv8.

Оптимизированное обучение с MuSGD#

Эффективность обучения — отличительная черта моделей Ultralytics: обычно им требуется гораздо меньше памяти, чем громоздким архитектурам на основе Transformer, таким как RT-DETR. YOLO26 повышает эту эффективность благодаря появлению оптимизатора MuSGD. Этот гибрид стохастического градиентного спуска (SGD) и Muon, вдохновленный методами обучения больших языковых моделей (LLM), в частности Kimi K2 от Moonshot AI, обеспечивает более быструю сходимость и высокую стабильность обучения на сложных наборах данных.

Продвинутые функции потерь#

Для задач, требующих высокой точности, например при анализе снимков с дронов или данных датчиков IoT, в YOLO26 появились ProgLoss + STAL. Эти улучшенные функции потерь заметно повышают качество распознавания мелких объектов. Кроме того, YOLO26 предлагает целевые улучшения для разных задач: многомасштабный прототип для более качественной генерации масок при сегментации, оценку остаточного логарифмического правдоподобия (RLE) для более точной оценки позы и специальную функцию потерь угла для устранения проблем с границами при обнаружении ориентированных ограничивающих рамок (OBB).

Анализ и сравнение производительности#

В таблице ниже показана разница в производительности двух моделей на наборе данных COCO. Лучшие значения для каждой категории размеров выделены полужирным.

Анализ показателей#

Данные демонстрируют скачок на целое поколение. YOLO26 превосходит YOLOv8 почти 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 выбором для Raspberry Pi и других периферийных устройств с ограниченными ресурсами. Хотя по скорости на GPU с использованием TensorRT обе модели сопоставимы, благодаря эффективному использованию параметров YOLO26 требует меньше памяти как при обучении, так и при инференсе.

Простота использования и экосистема#

Обе модели выигрывают от хорошо поддерживаемой экосистемы Ultralytics. Разработчики ценят удобство унифицированного API, который позволяет переключаться между YOLOv8 и YOLO26, просто изменив строку с названием модели.

Документация Ultralytics содержит обширные ресурсы: они помогут тебе выполнять настройку гиперпараметров, вести отслеживание экспериментов и изучать новые наборы данных. Кроме того, платформа Ultralytics упрощает разметку, обучение и развертывание этих моделей 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

# Загрузи самую современную модель YOLO26 Nano
model = YOLO("yolo26n.pt")

# Обучи модель на наборе данных COCO8 в течение 50 эпох
# optimizer="auto" выбирает MuSGD для длительных запусков (>10k итераций), а для коротких, как этот, — AdamW
train_results = model.train(
    data="coco8.yaml",
    epochs=50,
    imgsz=640,
    device="cpu",  # Используй '0' для обучения на GPU
)

# Выполни инференс на тестовом изображении
# Архитектура без NMS обеспечивает четкие и быстрые предсказания
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Отобрази предсказания
results[0].show()

# Без лишних сложностей экспортируй модель в ONNX для развёртывания на CPU
export_path = model.export(format="onnx")

Оптимальные сценарии применения#

Выбор подходящей модели определяет успех твоего проекта.

Когда выбирать YOLO26:

• Периферийные вычисления и робототехника: благодаря на 43% более высокой скорости работы на CPU и отсутствию NMS эта модель — лучший выбор для встраиваемых систем, мобильных устройств и автономных роботов.
• Аэрофотоснимки и спутниковые снимки: благодаря ProgLoss + STAL YOLO26 особенно хорошо обнаруживает крошечные объекты на сложных ландшафтах с высоким разрешением.
• Новые проекты: как последняя стабильная версия, YOLO26 рекомендуется для любых новых конвейеров машинного обучения и обеспечивает превосходную универсальность для всех задач.

Когда оставить YOLOv8:

• Устаревшая инфраструктура: если твой текущий производственный конвейер тесно связан с конкретными выходными тензорами и постобработкой с помощью NMS в YOLOv8, для миграции могут потребоваться небольшие изменения.
• Академические базовые модели: YOLOv8 остается широко цитируемой и стабильной базовой моделью для научных исследований в области компьютерного зрения, сравнивающих более старые архитектуры.

Подводя итог: YOLOv8 задала выдающийся стандарт для задач компьютерного зрения в реальном времени, а YOLO26 расширяет границы возможного. Сочетая значительный прирост эффективности на CPU с инновационными оптимизаторами обучения, вдохновленными LLM, YOLO26 позволяет разработчикам развертывать высокоточный ИИ практически на любом оборудовании.