Link to this sectionYOLOv8 против YOLO26#

Сфера компьютерного зрения претерпела значительные изменения за последние несколько лет. Среди самых популярных архитектур для приложений реального времени выделяются модели, разработанные Ultralytics. Это подробное руководство содержит глубокий технический анализ между революционной Ultralytics YOLOv8 и новейшей передовой Ultralytics YOLO26. Мы проанализируем их архитектуры, показатели производительности и идеальные сценарии использования, чтобы помочь тебе выбрать подходящую модель для развертывания.

Link to this sectionОбзор 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 унифицированную среду Python и API.

Link to this sectionYOLOv8: 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 промышленным стандартом благодаря отличному балансу производительности и глубокой интеграции в экосистему Ultralytics. Она нативно поддерживает обнаружение объектов, сегментацию экземпляров, оценку позы и классификацию изображений. Однако она опирается на стандартное подавление немаксимумов (NMS) для постобработки, что может создавать задержки в сильно ограниченных граничных (edge) средах.

Узнай больше о YOLOv8

Link to this sectionYOLO26: 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 внедряет несколько кардинальных технических улучшений. Самое примечательное — это дизайн end-to-end без NMS. Эта архитектура, впервые представленная в YOLOv10, устраняет необходимость в постобработке NMS, значительно упрощая конвейеры экспорта и уменьшая вариативность задержек. Более того, удаление Distribution Focal Loss (DFL) оптимизирует детектирующую голову, делая ее невероятно удобной для развертывания на аппаратном обеспечении edge AI.

Узнай больше о YOLO26

Link to this sectionАрхитектурные и тренировочные инновации#

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

Link to this sectionОптимизированное обучение с MuSGD#

Эффективность обучения является визитной карточкой моделей Ultralytics, которые обычно требуют гораздо меньше памяти по сравнению с громоздкими архитектурами на базе Transformer, такими как RT-DETR. YOLO26 развивает это еще дальше с внедрением оптимизатора 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 стабильную динамику обучения на сложных наборах данных.

Link to this sectionПродвинутые функции потерь#

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

Link to this sectionАнализ производительности и сравнение#

В следующей таблице освещены различия в производительности между двумя моделями с использованием набора данных COCO. Лучшие значения в каждой категории размеров выделены жирным шрифтом.

Link to this sectionАнализ 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 впечатляющих улучшений — это скорость вывода на CPU. Благодаря своей оптимизированной архитектуре и удалению DFL, YOLO26 обеспечивает до 43% более быстрый вывод на CPU через ONNX. Это делает YOLO26 непревзойденным решением для Raspberry Pi и других устройств с ограниченными ресурсами. Хотя скорости GPU с использованием TensorRT конкурентоспособны в обеих моделях, общая эффективность параметров YOLO26 приводит к меньшему объему потребляемой памяти как во время обучения, так и при выводе.

Link to this sectionПростота использования и экосистема#

Обе модели получают огромную выгоду от хорошо поддерживаемой экосистемы Ultralytics. Разработчики хвалят удобство использования, обеспечиваемое унифицированным API, которое позволяет переключаться между YOLOv8 и YOLO26 простым изменением строки с названием модели.

Независимо от того, выполняешь ли ты настройку гиперпараметров, проводишь отслеживание экспериментов или исследуешь новые наборы данных, документация Ultralytics предоставляет обширные ресурсы. Более того, платформа Ultralytics предлагает оптимизированный способ аннотирования, обучения и развертывания этих моделей бесшовно в облаке или локально.

Link to this sectionПример 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")

Link to this sectionИдеальные 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: Как новейший стабильный выпуск, YOLO26 является рекомендуемой моделью для любого нового конвейера 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.