YOLOX и YOLO26
За последнее десятилетие компьютерное зрение значительно изменилось. Среди важных этапов этого развития — выпуск YOLOX, популяризировавшей архитектуры без якорей, и появление Ultralytics YOLO26 со сквозной архитектурой без NMS, изначально предназначенной для обнаружения объектов в реальном времени. В этом сравнении рассматриваются их архитектуры, метрики производительности и оптимальные сценарии развертывания, чтобы помочь разработчикам принять взвешенное решение для следующего AI-проекта.
Обзор моделей#
Понимание происхождения и основных целей разработки каждой модели позволяет лучше оценить их технические достижения.
YOLOX#
- Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
- Организация: Megvii
- Дата: 2021-07-18
- arXiv: 2107.08430
- GitHub: Megvii-BaseDetection/YOLOX
- Документация: документация YOLOX на GitHub
Представленная в середине 2021 года YOLOX стала важным шагом вперед благодаря архитектуре без якорей, дополненной декуплированной головой и стратегией назначения меток SimOTA. Отказавшись от традиционных механизмов якорных рамок, распространенных в прежних архитектурах, YOLOX помогла сблизить академические исследования и промышленное применение, предложив простой и эффективный фреймворк для обнаружения объектов.
YOLO26#
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2026-01-14
- GitHub: ultralytics/ultralytics
- Платформа: платформа Ultralytics
Выпущенная в январе 2026 года YOLO26 развивает результаты многолетних итеративных улучшений и ориентирована на периферийное развертывание и упрощение конвейеров обучения. Модель предлагает опциональную сквозную голову один-к-одному без NMS (nms=False), которая пропускает традиционный этап постобработки подавления немаксимумов (NMS), упрощая развертывание на разном оборудовании. Удаление модуля Distribution Focal Loss (DFL) также упрощает голову и снижает задержку, делая YOLO26 отличным выбором для современных приложений компьютерного зрения.
Архитектурные инновации#
Архитектуры этих моделей демонстрируют стремительное развитие методов глубокого обучения, особенно в части функций потерь и постобработки.
Подход YOLOX#
В YOLOX задачи классификации и регрессии были разделены между компонентами головы предсказаний, что значительно ускорило сходимость при обучении. Архитектура без якорей уменьшила число проектных параметров и позволила обойтись без сложной настройки якорей перед обучением. В сочетании с алгоритмом назначения меток SimOTA это обеспечило YOLOX лучшие на тот момент результаты, особенно на стандартных тестах, таких как набор данных COCO.
Преимущества YOLO26#
YOLO26 ориентирована на эффективность архитектуры. Удаление NMS не только сокращает задержку инференса, но и обеспечивает стабильное, предсказуемое время выполнения — важный фактор для автономных транспортных средств и робототехники.
Ключевые нововведения YOLO26:
- Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей (LLM), обеспечивает стабильное обучение и более быструю сходимость.
- Инференс на CPU до 43% быстрее: Благодаря удалению DFL и оптимизированной архитектуре YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, что подходит для периферийных устройств с ограниченными ресурсами — от простых датчиков IoT до плат Raspberry Pi.
- ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом мелких объектов (STAL) улучшают их обнаружение, что крайне важно для анализа аэрофотоснимков и точного контроля качества в автоматизированном производстве.
Если твой проект ориентирован на встраиваемые системы или мобильные приложения без выделенных GPU, оптимизированная производительность YOLO26 на CPU даст существенное преимущество благодаря меньшим вычислительным затратам по сравнению с моделями предыдущих поколений.
Производительность и тесты#
При выборе моделей для промышленной эксплуатации важно анализировать баланс точности, скорости и вычислительной сложности. Ниже приведено подробное сравнение стандартных моделей, протестированных при размере изображения 640 пикселей (и 416 пикселей для вариантов nano/tiny).
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Как видно из таблицы, серия YOLO26 обеспечивает более сбалансированную производительность. Например, YOLO26x достигает 57.5 mAP примерно с на 44% меньшим количеством параметров, чем YOLOXx, и при этом быстрее выполняет инференс на GPU (11.8 мс против 16.1 мс).
Обучение и возможности экосистемы#
Одно из главных различий между этими архитектурами — удобство использования и поддержка экосистемы.
YOLOX по-прежнему остается важным репозиторием для исследователей, изучающих механизмы работы архитектур без якорей и назначение меток, но его настройка может быть сложной и часто требует вручную конфигурировать зависимости и операторы. В отличие от нее, экосистема Ultralytics создана для удобства использования.
С помощью унифицированного Python API разработчики могут инициализировать, обучать и развертывать модели YOLO26 всего несколькими строками кода. API обрабатывает загрузку наборов данных, поддерживает настройку гиперпараметров и экспорт моделей в такие форматы, как ONNX, TensorRT и OpenVINO.
from ultralytics import YOLO
# Инициализируй небольшую сквозную модель YOLO26
model = YOLO("yolo26s.pt")
# Обучи модель; optimizer="auto" выбирает MuSGD для длительных запусков (>10k итераций)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Проверка производительности модели на валидационной выборке
metrics = model.val()
# Экспортируй оптимизированную модель для развёртывания на периферийных устройствах
model.export(format="onnx")Для обучения моделей Ultralytics YOLO обычно требуется меньше памяти, чем для тяжелых альтернатив на основе Transformer, поэтому инженеры могут обучать модели с большим размером батча даже на обычном потребительском оборудовании.
Применение в реальных условиях#
Выбор между YOLOX и YOLO26 в конечном счёте зависит от ограничений развертывания и требований твоего проекта к многозадачности.
В чем сильна YOLOX#
YOLOX по-прежнему подходит для отдельных академических тестов и устаревших систем, созданных на основе исходной кодовой базы YOLOX. Благодаря исторической значимости эта модель остается популярной базовой точкой для исследований детекторов без якорей и пользовательских стратегий назначения меток.
В чём преимущества YOLO26#
YOLO26 создана для современных промышленных приложений. Благодаря нативной поддержке сегментации экземпляров, семантической сегментации, оценки глубины, классификации изображений, оценки позы и повернутых ограничивающих рамок (OBB) она универсальнее моделей, предназначенных только для обнаружения объектов.
- Розничная торговля и учет товаров: Архитектура без NMS позволяет автоматизированным кассам обрабатывать видеопотоки с низкой задержкой и распознавать товары без узкого места на этапе постобработки.
- Аналитика с дронов и аэрофотосъемка: Специализированная функция потерь для углов OBB и ProgLoss + STAL делают YOLO26 подходящей для обнаружения повернутых объектов и крошечных деталей на крупных спутниковых снимках.
- Периферийные системы безопасности: Благодаря инференсу на CPU до 43% быстрее (YOLO26n по сравнению с YOLO11n) компании могут развертывать надежную аналитику безопасности непосредственно на недорогом локальном оборудовании без затрат на дорогие облачные вычисления.
Сценарии использования и рекомендации#
Выбор между YOLOX и YOLO26 зависит от требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.
Когда стоит выбрать YOLOX#
YOLOX подойдёт для:
- Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
- Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн параметров).
- Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.
Когда выбирать YOLO26#
YOLO26 рекомендуется для:
- Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
- Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
- Обнаружение мелких объектов: Сложные сценарии, такие как аэрофотосъемка с дронов или анализ данных датчиков IoT, в которых ProgLoss и STAL повышают точность обнаружения крошечных объектов.
Другие модели Ultralytics#
Если ты изучаешь развитие компьютерного зрения, стоит обратить внимание и на другие эффективные модели семейства Ultralytics:
- YOLO11: непосредственная предшественница YOLO26, обеспечивающая надёжную производительность и широкую поддержку сообщества для стабильной эксплуатации в промышленной среде.
- YOLOv8: Проверенная в боевых условиях архитектура, задавшая стандарт простоты использования и гибкости в тысячах реальных развертываний.
В заключение: YOLOX привнесла важные концепции в обнаружение объектов, а YOLO26 обеспечивает скачок поколений в скорости, точности и простоте развертывания, поэтому рекомендуется для новых проектов.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.