YOLOv8 против YOLO26#

Область компьютерного зрения за последние несколько лет претерпела значительные изменения. Среди самых популярных архитектур для приложений реального времени — модели, разработанные Ultralytics. Это подробное руководство предлагает детальное техническое сравнение новаторских Ultralytics YOLOv8 и новейшей передовой Ultralytics YOLO26. Мы проанализируем их архитектуры, метрики производительности и идеальные сценарии использования, чтобы помочь тебе выбрать правильную модель для деплоя.

Обзор моделей#

И YOLOv8, и YOLO26 представляют собой важные вехи в семействе моделей YOLO. Они разделяют ключевую философию Ultralytics: предоставление быстрых, точных и невероятно простых в использовании моделей через единую среду Python и API.

YOLOv8: Универсальный стандарт#

Выпущенная в начале 2023 года, YOLOv8 привнесла серьезные изменения в инфраструктуру YOLO, внедрив дизайн без привязки к якорям (anchor-free) и мощную поддержку множества задач компьютерного зрения.

• Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
• 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 обнаружение объектов, сегментацию экземпляров, оценку позы и классификацию изображений. Тем не менее, она опирается на стандартное подавление немаксимумов (NMS) для постобработки, что может создавать узкие места по задержке в сильно ограниченных краевых средах.

Узнай больше о YOLOv8

YOLO26: Edge-решение нового поколения#

Выпущенная в январе 2026 года, YOLO26 берет основу, созданную предшественниками, и агрессивно оптимизирует ее для современных сценариев развертывания, особенно в сфере edge AI и маломощных устройств.

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

YOLO26 представляет несколько меняющих парадигму технических улучшений. Самое примечательное — наличие дизайна End-to-End без NMS. Впервые предложенная YOLOv10, эта архитектура исключает необходимость постобработки NMS, значительно упрощая пайплайны экспорта и снижая дисперсию задержки. Более того, удаление функции распределения фокальных потерь (DFL) оптимизирует детектирующую головку, делая её невероятно удобной для деплоя на краевом AI-железе.

Узнай больше о YOLO26

Архитектурные и тренировочные инновации#

YOLO26 привносит ряд внутренних усовершенствований, которые кардинально превосходят базовый уровень YOLOv8.

Оптимизированное обучение с MuSGD#

Эффективность обучения — визитная карточка моделей Ultralytics, которые обычно требуют значительно меньше памяти по сравнению с громоздкими архитектурами на базе трансформеров, такими как RT-DETR. YOLO26 развивает это дальше, представляя оптимизатор MuSGD. Вдохновленный методами 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 высокую стабильность динамики обучения на сложных датасетах.

Продвинутые функции потерь#

Для задач, требующих высокой точности, таких как аэроснимки с дронов или IoT-датчики, YOLO26 представляет ProgLoss + STAL. Эти улучшенные функции потерь обеспечивают заметные улучшения в распознавании мелких объектов. Кроме того, YOLO26 приносит улучшения под конкретные задачи по всем направлениям: многомасштабное прото для превосходной генерации масок в сегментации, оценка остаточного логарифмического правдоподобия (RLE) для более точной оценки позы и специализированная угловая потеря для решения проблем с границами при обнаружении ориентированных ограничивающих рамок (OBB).

Анализ производительности и сравнение#

В следующей таблице показаны различия в производительности между двумя моделями с использованием датасета COCO. Наилучшие показатели в каждой категории размера выделены жирным.

Анализ метрик#

Данные показывают качественный скачок. YOLO26 значительно превосходит YOLOv8 по всем показателям. Модель YOLO26 Nano (YOLO26n) достигает впечатляющих 40.9 mAP, что существенно выше 37.3 у YOLOv8n, при этом используя меньше параметров и операций FLOPs.

Одно из самых ярких 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 непревзойденной для Raspberry Pi и других маломощных периферийных устройств. Хотя скорость на GPU с использованием TensorRT конкурентоспособна у обеих моделей, общая эффективность параметров YOLO26 приводит к меньшим затратам памяти как во время обучения, так и при инференсе.

Простота использования и экосистема#

Обе модели получают огромную пользу от поддерживаемой в актуальном состоянии экосистемы Ultralytics. Разработчики хвалят простоту использования, обеспечиваемую единым API, который позволяет переключаться между YOLOv8 и YOLO26 простым изменением строки с именем модели.

Независимо от того, выполняешь ли ты подбор гиперпараметров, проводишь ли отслеживание экспериментов или изучаешь новые датасеты, документация Ultralytics предоставляет обширные ресурсы. Более того, платформа Ultralytics предлагает удобный способ разметки, обучения и бесшовного деплоя этих моделей в облако или локально.

Пример кода#

Начать обучение и вывод очень просто. Ниже приведен полный, готовый к запуску пример с использованием Python API от 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 варианты использования#

Выбор правильной модели определяет успех твоего проекта.

Когда выбирать YOLO26:

• Edge-вычисления и робототехника: Скорость CPU на 43% выше и отсутствие NMS делают ее абсолютно лучшим выбором для встраиваемых систем, мобильных устройств и автономных роботов.
• Аэрофотосъемка и спутниковые изображения: Внедрение ProgLoss + STAL дает YOLO26 явное преимущество в обнаружении крошечных объектов на сложных ландшафтах с высоким разрешением.
• Новые проекты: Будучи последним стабильным релизом, YOLO26 является рекомендуемой моделью для любого нового пайплайна машинного обучения, предлагая превосходную универсальность во всех задачах.

Когда сохранить YOLOv8:

• Устаревшая инфраструктура: Если твой текущий производственный конвейер сильно связан с конкретными выходными тензорами и якорными механизмами YOLOv8, миграция может потребовать незначительной адаптации.
• Академические базы: YOLOv8 остается часто цитируемой и стабильной базой для академических исследований в области компьютерного зрения при сравнении более старых архитектур.

В заключение, хотя YOLOv8 установила феноменальный стандарт для задач компьютерного зрения в реальном времени, YOLO26 переопределяет границы возможного. Сочетая огромный прирост эффективности на CPU с инновационными оптимизаторами обучения, вдохновленными LLM, YOLO26 гарантирует, что разработчики смогут развертывать высокоточные AI-решения практически в любой аппаратной среде.