YOLOv8 и YOLO26#

За последние несколько лет компьютерное зрение стремительно развивалось. Среди самых популярных архитектур для приложений реального времени — модели, разработанные Ultralytics. В этом руководстве приводится техническое сравнение Ultralytics YOLOv8 и новейшей модели Ultralytics YOLO26: рассматриваются их архитектуры, метрики производительности и оптимальные варианты применения, чтобы помочь тебе выбрать подходящую модель для развертывания.

Обзор моделей#

И YOLOv8, и YOLO26 — важные вехи в семействе моделей YOLO. Обе модели воплощают основные принципы Ultralytics: быстрые, точные и простые в использовании модели с единым Python API.

YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года YOLOv8 значительно переработала фреймворк YOLO, представив безанкорную архитектуру и надежную поддержку нескольких 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 получила широкое распространение благодаря сочетанию производительности и глубокой интеграции в экосистему Ultralytics. Модель изначально поддерживает обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB). Однако для постобработки она использует стандартное подавление немаксимумов (NMS), что может создавать узкие места и увеличивать задержки на периферийных устройствах с жесткими ограничениями.

YOLO26: периферийный ИИ нового поколения#

Выпущенная в январе 2026 года YOLO26 развивает решения предшественников и оптимизирует их для современных сценариев развертывания, особенно для периферийного ИИ и маломощных устройств.

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

В YOLO26 реализовано несколько технических улучшений. Самое значительное — сквозная архитектура без NMS, которую YOLOv10 внедрила в модели YOLO. Эта архитектура устраняет необходимость в постобработке с помощью NMS, упрощая конвейеры экспорта и уменьшая вариативность задержки. Удаление Distribution Focal Loss (DFL) также упрощает голову обнаружения, облегчая развертывание на оборудовании для периферийного ИИ.

Инновации в архитектуре и обучении#

YOLO26 включает несколько внутренних улучшений, которые превосходят базовые возможности YOLOv8.

Оптимизированное обучение с MuSGD#

Модели Ultralytics известны эффективным обучением и обычно требуют меньше памяти, чем архитектуры на основе Transformer, например RT-DETR. YOLO26 развивает это преимущество с помощью оптимизатора MuSGD. Этот гибрид стохастического градиентного спуска (SGD) и Muon вдохновлен методами обучения больших языковых моделей (LLM), в частности моделью Kimi K2 от Moonshot AI, и обеспечивает более быструю сходимость и стабильное обучение на сложных наборах данных.

Функции потерь и назначение меток#

Для задач, где нужна высокая точность, например обработки снимков с дронов или данных датчиков IoT, в YOLO26 добавлены ProgLoss + STAL. Прогрессивная функция потерь и назначение меток с учетом малых объектов (STAL) улучшают обнаружение небольших объектов. Кроме того, YOLO26 получила специализированные улучшения для разных задач: многомасштабный протомодуль для более качественной генерации масок при сегментации, оценку остаточного логарифмического правдоподобия (RLE) для более точной оценки позы и специализированную функцию потерь угла для решения проблем на границах при обнаружении ориентированных ограничивающих рамок (OBB).

Анализ и сравнение производительности#

В таблице ниже сравнивается производительность двух моделей на наборе данных COCO. Лучшие результаты для каждой категории размеров выделены полужирным.

Анализ показателей#

Данные показывают улучшение от поколения к поколению: YOLO26 превосходит YOLOv8 почти по всем метрикам. Модель YOLO26 Nano (YOLO26n) достигает 40.9 mAP — значительно больше, чем 37.3 у YOLOv8n, — при меньшем количестве параметров и FLOPs.

Одно из самых значительных улучшений — скорость инференса на CPU. Благодаря упрощенной архитектуре и отказу от DFL YOLO26n выполняет инференс на CPU за 38.9 мс в ONNX против 80.4 мс у YOLOv8n. Кроме того, в статье о YOLO26 сообщается, что инференс на CPU до 43% быстрее, чем у YOLO11n. Благодаря этому YOLO26 отлично подходит для Raspberry Pi и других периферийных устройств с ограниченными ресурсами. Скорость работы на GPU с использованием TensorRT у обеих моделей сопоставима, но эффективность YOLO26 по количеству параметров также позволяет уменьшить потребление памяти при обучении и инференсе.

Простота использования и экосистема#

Обе модели используют хорошо поддерживаемую экосистему Ultralytics. Единый API позволяет разработчикам переключаться между YOLOv8 и YOLO26, просто изменив строку с названием модели.

Документация Ultralytics содержит подробные материалы по настройке гиперпараметров, отслеживанию экспериментов и изучению новых наборов данных. Кроме того, платформа Ultralytics упрощает разметку данных, обучение и развертывание этих моделей в облаке или локально.

Пример кода#

Ниже приведен полный готовый к запуску пример обучения, инференса и экспорта с помощью Python API Ultralytics:

from ultralytics import YOLO

# Загрузи последнюю Nano-модель YOLO26
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()

# Экспортируй в ONNX для развертывания на CPU
export_path = model.export(format="onnx")

Оптимальные сценарии применения#

Правильный выбор зависит от целевой платформы развертывания и существующей инфраструктуры.

Когда выбирать YOLO26:

• Периферийные вычисления и робототехника: высокая скорость инференса на CPU и архитектура без NMS делают эту модель отличным выбором для встраиваемых систем, мобильных устройств и автономных роботов.
• Аэрофотосъемка и спутниковые снимки: ProgLoss + STAL дают YOLO26 преимущество при обнаружении крошечных объектов в сложных сценах высокого разрешения.
• Новые проекты: как последняя стабильная версия, YOLO26 рекомендуется для любых новых конвейеров машинного обучения; она поддерживает больше задач, включая семантическую сегментацию и оценку глубины.

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.

Итак, YOLOv8 задала высокую планку для задач компьютерного зрения в реальном времени, а YOLO26 развивает ее достижения. Благодаря значительному повышению эффективности на CPU, развертыванию без NMS и оптимизации обучения, вдохновленной LLM, YOLO26 позволяет использовать точные модели на самых разных аппаратных платформах.