Начать

YOLOv8 и YOLOv10

Обнаружение объектов в реальном времени быстро развивается. Разработчикам и исследователям, которые интегрируют в свои конвейеры наиболее эффективные и точные модели компьютерного зрения, важно сравнивать ведущие архитектуры. В этом руководстве сопоставляются Ultralytics YOLOv8 и YOLOv10: рассматриваются их архитектурные различия, метрики производительности и оптимальные сценарии развертывания, чтобы помочь тебе принять обоснованное решение для следующего проекта в области ИИ.

Обзор модели: YOLOv8#

Став важным шагом вперед для линейки YOLO, YOLOv8 задала новый стандарт единого универсального фреймворка. Модель с самого начала разрабатывалась для поддержки множества задач помимо обнаружения объектов по ограничивающим рамкам, что делает ее гибким инструментом для современного компьютерного зрения.

Подробнее о YOLOv8:

Архитектура и сильные стороны#

YOLOv8 получила безанкорную голову обнаружения и переработанную основу CSPDarknet, что значительно повысило точность и уменьшило задержку инференса. Отказ от анкорных рамок сокращает число предсказаний рамок и ускоряет подавление немаксимумов (NMS) при постобработке.

Одно из главных преимуществ YOLOv8 — универсальность. Многие модели ориентированы только на обнаружение объектов, а YOLOv8 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB). Поэтому модель подходит для многоэтапных конвейеров, в которых одновременно требуется несколько видов визуального анализа. Кроме того, для обучения ей нужно меньше памяти, чем архитектурам на основе Transformer, таким как RT-DETR, что позволяет исследователям обучать крупные модели на стандартных потребительских GPU.

Обзор модели: YOLOv10#

YOLOv10, разработанная исследователями из Университета Цинхуа, призвана устранить одно из самых давних узких мест семейства YOLO — зависимость от постобработки с помощью NMS.

Подробности о YOLOv10:

Архитектура и сильные стороны#

Главное нововведение YOLOv10 — стратегия согласованных двойных назначений, которая позволяет обучать модель без NMS и развертывать ее сквозным образом. Устранение этапа NMS снижает задержку инференса, особенно на периферийных устройствах, где операции постобработки могут требовать значительных вычислительных ресурсов.

Кроме того, YOLOv10 использует комплексный подход к проектированию модели, ориентированный на эффективность и точность, и тщательно настраивает вычислительные затраты каждого слоя. В результате модели требуется меньше параметров и FLOPs, при этом она обеспечивает конкурентоспособную среднюю точность (mAP). Это отличный вариант для задач обнаружения, где необходима минимальная задержка.

Сквозное обнаружение

Отказ от NMS в YOLOv10 упрощает экспорт во фреймворки вроде OpenVINO и TensorRT: всю модель можно скомпилировать в единый граф без пользовательских слоев постобработки.

Подробнее о YOLOv10

Сравнение производительности и метрик#

При сравнении этих двух архитектур важно учитывать компромиссы между числом параметров, FLOPs и точностью. Ниже приведено точное сравнение метрик производительности на наборе данных COCO.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

В этой таблице YOLOv10 достигает более высокой mAP при меньшем количестве параметров во всех масштабах, однако YOLOv8 предлагает более зрелую экосистему и поддерживает больше задач. Поэтому она обычно надежнее в production-средах, где требуется нечто большее, чем обнаружение объектов по ограничивающим рамкам.

Экосистема и методология обучения#

В современных рабочих процессах ML часто решающую роль играет экосистема вокруг архитектуры. Выбирая модель Ultralytics, например YOLOv8, ты получаешь простоту использования и единообразную среду разработки.

Интуитивно понятный Python SDK позволяет разработчикам без лишних сложностей выполнять обучение, валидацию и развертывание. Экосистема Ultralytics активно развивается: выходят частые обновления, доступна подробная документация по настройке гиперпараметров, а также активное сообщество на таких платформах, как Discord и GitHub.

Пример кода: упрощенное обучение#

Python API Ultralytics упрощает создание экземпляра модели, ее обучение и валидацию. Обрати внимание: один и тот же рабочий процесс подходит независимо от архитектуры модели.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model efficiently with automated learning rate scheduling
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # optimized CUDA memory usage
    batch=16,
)

# Validate the model to check mAP metrics
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Export to ONNX for edge deployment
model.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между YOLOv8 и YOLOv10 зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбрать YOLOv8#

YOLOv8 — хороший выбор для:

  • Универсальное развёртывание для нескольких задач: Проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для таких задач:

  • Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
  • Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
  • Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Будущее: переход на YOLO26#

YOLOv8 — универсальная модель на все случаи, а YOLOv10 дает полезное представление об архитектурах без NMS, но область уже шагнула вперед. Для оптимального баланса скорости, точности и простоты развертывания Ultralytics рекомендует YOLO26 для новых проектов.

Выпущенная в январе 2026 года YOLO26 сочетает сильные стороны предшественников с рядом новых возможностей:

  • Сквозная архитектура без NMS: Развивая обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 предлагает опциональный инференс без NMS (nms=False) для более быстрого и простого развертывания.
  • Отказ от DFL: отказ от Distribution Focal Loss упрощает экспорт модели в CoreML и на периферийные устройства.
  • Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей (LLM), обеспечивает более быструю сходимость и стабильное обучение.
  • Более быстрый инференс на CPU: YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, и отлично подходит для Raspberry Pi и приложений IoT.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов (STAL) улучшают обнаружение небольших объектов, что особенно важно для аэрофотосъемки и робототехники.

Если ты сейчас оцениваешь модели, обрати внимание и на YOLO11 — непосредственную предшественницу YOLO26, которая остается готовой к эксплуатации моделью и широко используется в корпоративных решениях. Однако для новых проектов рекомендуемый путь — использовать YOLO26 вместе с платформой Ultralytics для разметки, обучения и развертывания моделей компьютерного зрения.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.