Начать

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#

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.

Узнай больше о YOLOX

YOLO26#

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.
Оптимизация для периферийных устройств

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).

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

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.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.