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:
- Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: https://github.com/ultralytics/ultralytics
- Документация: https://docs.ultralytics.com/models/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:
- Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
- Организация: Университет Цинхуа
- Дата: 2024-05-23
- arXiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- Документация: https://docs.ultralytics.com/models/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.
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.