YOLOX против YOLO26#

За последнее десятилетие сфера компьютерного зрения претерпела невероятные изменения. Двумя важными вехами на этом пути стали выпуск YOLOX, который популяризировал архитектуры без привязки к якорям, и недавнее появление Ultralytics YOLO26, полностью переосмысляющего производительность в реальном времени благодаря встроенному подходу end-to-end без NMS. Это всестороннее сравнение исследует их архитектуры, метрики производительности и идеальные сценарии развертывания, чтобы помочь тебе принимать взвешенные решения для твоего следующего проекта в области ИИ.

Обзор моделей#

Понимание истоков и основных целей проектирования каждой модели дает важный контекст для оценки их технических достижений.

YOLOX#

Авторы: Чжэн Гэ, Сунтоа Лю, Фэн Ван, Цземин Ли и Цзянь Сунь
Организация: Megvii
Дата: 2021-07-18
Arxiv: 2107.08430
GitHub: Megvii-BaseDetection/YOLOX
Документация: YOLOX GitHub Docs

Представленный в середине 2021 года, YOLOX стал серьезным шагом вперед за счет внедрения безъякорной конструкции в сочетании с разделенной головой (decoupled head) и передовой стратегией назначения меток под названием SimOTA. Отойдя от традиционных механизмов якорных боксов, доминировавших в предыдущих архитектурах, YOLOX успешно преодолел разрыв между академическими исследованиями и промышленным применением, предложив изящный, но крайне эффективный фреймворк для обнаружения объектов.

Узнай больше о YOLOX

YOLO26#

Авторы: Гленн Джочер и Цзин Цю
Организация: Ultralytics
Дата: 2026-01-14
GitHub: ultralytics/ultralytics
Платформа: Ultralytics Platform

Выпущенная в начале 2026 года, YOLO26 представляет собой результат многолетних итеративных улучшений с упором на развертывание на периферийных устройствах и упрощение конвейеров обучения. Она представляет end-to-end дизайн без NMS, полностью исключая традиционный этап постобработки Non-Maximum Suppression. Это достижение радикально упрощает развертывание моделей на разнообразном железе. Кроме того, благодаря удалению модуля Distribution Focal Loss (DFL), YOLO26 достигает значительно более низкой задержки, укрепляя свой статус главного выбора для современных приложений компьютерного зрения.

Узнай больше о YOLO26

Архитектурные инновации#

Архитектуры этих двух моделей подчеркивают быстрое развитие методологий глубокого обучения, особенно в отношении функций потерь и постобработки.

Подход YOLOX#

YOLOX разделила задачи классификации и регрессии в своей голове прогнозирования, что значительно ускорило сходимость во время обучения. Ее безъякорный характер сократил количество параметров проектирования, снизив необходимость в сложной настройке якорей перед обучением. В сочетании с алгоритмом назначения меток SimOTA, YOLOX добилась передовых для своего времени результатов, в особенности на стандартных бенчмарках вроде датасета COCO.

Преимущества YOLO26#

YOLO26 выводит архитектурную эффективность на новый уровень. Удаление NMS не только сокращает задержку инференса, но также гарантирует стабильное и детерминированное время выполнения — важнейший фактор для автономных транспортных средств и робототехники.

Ключевые инновации YOLO26 включают:

• Оптимизатор MuSGD: вдохновленный методами обучения больших языковых моделей (LLM), этот гибрид SGD и Muon обеспечивает исключительно стабильные прогоны обучения и более быструю сходимость.
• Инференс на CPU быстрее до 43%: За счет исключения DFL и оптимизации архитектуры сети, YOLO26 тщательно оптимизирована для периферийных устройств с ограниченными ресурсами, от простых IoT-сенсоров до плат Raspberry Pi.
• ProgLoss + STAL: Эти продвинутые функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, что критически важно для анализа аэроснимков и выполнения точного контроля качества в автоматизации производства.

Производительность и бенчмарки#

При оценке моделей для производственных сред первостепенное значение имеет анализ баланса между точностью, скоростью и вычислительной сложностью. Ниже приведено подробное сравнение стандартных моделей, оцененных при размере изображения 640 пикселей (и 416 для вариантов nano/tiny).

Как показывает таблица, серия YOLO26 обеспечивает превосходный баланс производительности. Например, YOLO26x достигает впечатляющих 57.5 mAP, используя при этом почти вдвое меньше параметров по сравнению с моделью YOLOXx, что напрямую выражается в более быстром инференсе на GPU (11.8 мс против 16.1 мс) и значительно превосходящей гибкости развертывания.

Опыт обучения и экосистема#

Одно из самых глубоких различий между этими архитектурами заключается в удобстве использования и поддержке экосистемы.

Хотя YOLOX остается базовым репозиторием для исследователей, изучающих градиентный поток и безъякорную механику, его настройка может быть сложной, зачастую требуя ручной конфигурации зависимостей и операторов. И наоборот, экосистема Ultralytics задает отраслевой стандарт простоты использования.

Используя унифицированный Python API, ты можешь инициализировать, обучать и развертывать модели YOLO26 с непревзойденной простотой. Система самостоятельно обрабатывает загрузку датасетов, настройку гиперпараметров и бесшовный экспорт в такие форматы, как ONNX, TensorRT и OpenVINO.

from ultralytics import YOLO

# Initialize the cutting-edge, end-to-end YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model efficiently with built-in MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance on the validation set
metrics = model.val()

# Export the optimized model for edge deployment
model.export(format="onnx")

Более того, модели Ultralytics YOLO требуют значительно меньше памяти во время обучения по сравнению с тяжелыми трансформерными альтернативами, что позволяет инженерам обучать модели с большими размерами батчей даже на оборудовании потребительского уровня.

Применение в реальных условиях#

Выбор между YOLOX и YOLO26 в конечном итоге зависит от твоих ограничений при развертывании и требований к многозадачности.

В чем YOLOX превосходит#

YOLOX остается жизнеспособным кандидатом для специфических академических бенчмарков и устаревших систем, глубоко интегрированных с фреймворком MegEngine. Ее историческая значимость делает ее популярным бейзлайном для исследования безъякорных детекторов и пользовательских стратегий назначения.

В чем YOLO26 превосходит#

YOLO26 изначально создана для современных промышленных применений. Поскольку она нативно поддерживает сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB), она гораздо универсальнее стандартных движков детектирования.

• Умный ритейл и инвентаризация: использование дизайна без NMS гарантирует, что автоматизированные системы оплаты обрабатывают видеопотоки с ультранизкой задержкой, распознавая продукты без узкого места в виде циклов постобработки.
• Дроны и воздушная аналитика: специализированная функция угловых потерь для OBB и интеграция ProgLoss + STAL делают YOLO26 непревзойденной в обнаружении повернутых объектов и крошечных артефактов на обширных спутниковых изображениях.
• Edge-системы безопасности: благодаря на 43% более быстрому выводу на CPU, YOLO26 позволяет компаниям развертывать надежную аналитику безопасности прямо на недорогом локальном оборудовании, не требуя дорогих облачных вычислений.

Сценарии использования и рекомендации#

Выбор между YOLOX и YOLO26 зависит от твоих специфических требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать YOLOX#

YOLOX — сильный выбор для:

• Исследований безъякорного обнаружения: академических исследований, использующих чистую безъякорную архитектуру YOLOX как базу для экспериментов с новыми головами детекции или функциями потерь.
• Сверхлегких Edge-устройств: развертывания на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый вес варианта YOLOX-Nano (0.91 млн параметров).
• Изучения назначения меток SimOTA: исследовательских проектов, анализирующих стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Когда стоит выбрать YOLO26#

YOLO26 рекомендуется для:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Изучение других моделей Ultralytics#

Если ты изучаешь эволюцию компьютерного зрения, есть и другие высокоэффективные модели в семействе Ultralytics, заслуживающие внимания:

• YOLO11: Непосредственный предшественник YOLO26, предлагающий надежную производительность и широкую поддержку сообщества для стабильных производственных сред.
• YOLOv8: Прошедшая серьезную боевую проверку архитектура, которая установила стандарт простоты использования и гибкости во множестве реальных развертываний.

В заключение, хотя YOLOX привнес важные концепции в ландшафт обнаружения объектов, новая YOLO26 обеспечивает качественный скачок в скорости, точности и простоте развертывания, что делает ее окончательным выбором для дальновидных разработчиков и предприятий.