YOLOX против YOLO26: эволюция от обнаружения объектов без якорей до сквозного обнаружения объектов

За последние пять лет область компьютерного зрения претерпела быстрые изменения, перейдя от сложных архитектур на основе якорей к оптимизированным конструкциям без якорей и, наконец, к нативным системам «из конца в конец». В этом сравнении подробно рассматриваются технические различия между YOLOX, ключевой моделью без анкоров, выпущенной в 2021 году, и YOLO26, передовым (SOTA) детектором от начала до конца, запущенным Ultralytics 2026 году.

В то время как YOLOX установил высокую планку для исследований и производительности в свое время, YOLO26 представляет революционные оптимизации, такие как выводNMS и оптимизатор MuSGD, что делает его лучшим выбором для современных производственных сред, требующих низкой задержки и высокой точности.

YOLOX: пионер Anchor-Free

Выпущенный в июле 2021 года исследователями из Megvii, YOLOX ознаменовал значительный отход от логики на основе якорей, которая доминировала YOLO предыдущих YOLO (таких как YOLOv4 и YOLOv5). Устранив якорные рамки, авторы стремились упростить процесс проектирования и снизить нагрузку на настройку гиперпараметров, связанную с кластеризацией якорей.

Основные технические особенности:

• Механизм без анкеров: устраняет необходимость в заранее определенных анкерных блоках, рассматривая обнаружение объектов как задачу точечной регрессии.
• Разделенная головка: разделяет задачи классификации и локализации на разные ветви головки сети, что помогло улучшить скорость и точность сходимости.
• SimOTA: передовая стратегия присвоения меток, называемая «упрощенным оптимальным транспортным присвоением», которая динамически присваивает положительные образцы к реальным данным.

Несмотря на свою инновационность, YOLOX использует традиционное подавление не максимальных значений (NMS) для постобработки. Этот шаг удаляет дубликаты ограничительных рамок, но вносит изменчивость задержки и вычислительные накладные расходы, что может стать препятствием в приложениях, работающих в режиме строгого реального времени.

Детали модели:

• Авторы: Чжэн Ге, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 2021-07-18
• Ссылки:YOLOX Arxiv | YOLOX GitHub

Узнайте больше о YOLOX

YOLO26: Стандарт «от конца до конца»

Запущен в январе 2026 года компанией Ultralytics, представляет собой вершину эффективности в области компьютерного зрения. Он полностью отказывается от традиционной NMS , используя изначально сквозную конструкцию NMS. Такая архитектура позволяет модели напрямую выводить окончательный набор обнаруженных объектов, что значительно сокращает задержку и упрощает логику развертывания.

Основные технические особенности:

• АрхитектураNMS: устраняет вычислительные затраты на сортировку и фильтрацию тысяч потенциальных ячеек, что обеспечивает стабильное и предсказуемое время вывода.
• MuSGD Optimizer: гибридный оптимизатор, сочетающий SGD Muon (вдохновленный инновациями в области обучения больших языковых моделей, такими как Kimi K2 от Moonshot AI). Это обеспечивает более стабильную динамику обучения и более быструю конвергенцию.
• Удаление DFL: удаление Distribution Focal Loss (DFL) упрощает головку модели, делая ее более совместимой с периферийными устройствами и инструментами квантования.
• ProgLoss + STAL: усовершенствованные функции потери (программная потеря и потеря выравнивания по теории масштабов), которые значительно улучшают распознавание мелких объектов— важную функцию для съемки с дронов и промышленного контроля.

Детали модели:

• Авторы: Гленн Джочер и Цзин Цю
• Организация: Ultralytics
• Дата: 2026-01-14
• Ссылки:Документация YOLO26 | Ultralytics

Узнайте больше о YOLO26

Сравнение производительности

В следующей таблице показана разница в производительности между двумя архитектурами. YOLO26 демонстрирует превосходную точность (mAP) и эффективность, особенно в вариантах Nano и Small, используемых для приложений искусственного интеллекта на периферии.

Примечание: скорость YOLOX обычно ниже на современном оборудовании из-за NMS , тогда как метрики YOLO26 включают все время постобработки.

Архитектурное Глубокое Погружение

Позвоночник и голова

YOLOX использует модифицированную магистраль CSPDarknet с акцентом на развязку головки обнаружения. Несмотря на свою эффективность, эта развязка значительно увеличивает количество параметров по сравнению с конструкциями с общей головкой, использовавшимися в более ранних моделях.

В отличие от этого, YOLO26 использует высокооптимизированную базовую структуру, разработанную с помощью концепций Neural Architecture Search (NAS). Его головная структура оптимизирована за счет удаления DFL, что не только уменьшает размер модели, но и идеально согласуется с аппаратными ускорителями, которые испытывают трудности с сложными выходными слоями. Это упрощает экспорт в TensorRT или ONNX беспроблемным.

Функции потерь и обучение

YOLOX представил SimOTA для динамического решения проблемы присвоения меток. Однако он по-прежнему полагается на стандартные функции потерь. YOLO26 усовершенствовал эту технологию, включив в нее ProgLoss (программные потери) и STAL (потери выравнивания по теории масштабов). Эти потери динамически корректируют штраф за ошибки ограничивающей рамки в зависимости от размера объекта и этапа обучения, устраняя историческую слабость YOLO в обнаружении небольших объектов, таких как удаленные пешеходы или производственные дефекты.

Кроме того, оптимизатор MuSGD в YOLO26 привносит в область зрения методы стабилизации из мира LLM. Благодаря более эффективной нормализации обновлений по слоям по сравнению со стандартным SGD, YOLO26 достигает более высокой точности с меньшим количеством эпох обучения.

Идеальные варианты использования

Когда использовать YOLOX

YOLOX остается ценным ориентиром в академических кругах.

• Исследовательские базовые показатели: его четкая структура без якорей делает его отличным базовым показателем для исследователей, изучающих стратегии присвоения меток.
• Устаревшие проекты: Системы, уже тесно интегрированные с MegEngine или конкретными форками YOLOX, могут столкнуться с высокими затратами при немедленной миграции.

Когда использовать YOLO26

YOLO26 — рекомендуемый выбор практически для всех новых коммерческих и промышленных применений.

• Edge Computing: благодаря ускоренной на 43% CPU , YOLO26 идеально подходит для Raspberry Pi, Jetson Nano и мобильных устройств, где нет графических процессоров.
• Робототехника и автономные системы: конструкцияNMS устраняет всплески задержки, вызванные загроможденными сценами (например, робот, перемещающийся по переполненному складу), обеспечивая детерминированное время отклика.
• Высокоточная проверка: комбинация ProgLoss + STAL делает YOLO26 превосходным инструментом для задач контроля качества, связанных с обнаружением мельчайших дефектов.
• Многозадачные приложения: в отличие от YOLOX, который в первую очередь является детектором, Ultralytics поддерживает YOLO26 для сегментации экземпляров, оценки позы и ориентированных ограничительных рамок (OBB).

Преимущество Ultralytics

Выбор YOLO26 также означает получение доступа к комплексной Ultralytics . В то время как YOLOX предоставляет автономный репозиторий, Ultralytics унифицированную среду, которая упрощает весь жизненный цикл ИИ.

1. Простота использования: единый Python позволяет переключаться между задачами (detect, segment, поза) и моделями (YOLO26, YOLO11, RT-DETR) путем изменения одной строки кода.
2. Эффективность обучения: Ultralytics оптимизированы для эффективного использования памяти во время обучения. По сравнению со старыми архитектурами или тяжелыми трансформаторами, вы можете обучать более крупные партии на потребительских графических процессорах.
3. Ultralytics : Ultralytics предлагает веб-интерфейс для управления наборами данных, автоматической аннотации и обучения моделей в один клик, что оптимизирует совместную работу команд.
4. Хорошо поддерживаемая экосистема: благодаря частым обновлениям, обширной документации и активной поддержке сообщества разработчики никогда не остаются один на один с отладкой.

Пример кода

Запуск YOLO26 не представляет сложности с помощью ultralytics пакет. В следующем примере показана загрузка предварительно обученной модели и выполнение инференции по изображению.

from ultralytics import YOLO

# Load the YOLO26 Nano model (highly efficient for CPU)
model = YOLO("yolo26n.pt")

# Perform object detection on an image
# The model handles preprocessing and post-processing internally
results = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Display the results
for result in results:
    result.show()  # Show image in a window

    # Print boxes to console
    for box in result.boxes:
        print(f"Class: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xywh}")

Заключение

Как YOLOX, так и YOLO26 представляют собой важные вехи в истории обнаружения объектов. YOLOX успешно бросил вызов парадигме, основанной на якорях, в 2021 году, доказав, что модели без якорей могут достигать высочайшей производительности. Однако YOLO26 переопределяет стандарт на 2026 год, решая проблему «последней мили» инференса: NMS .

Благодаря своей сквозной архитектуре, оптимизатору MuSGD и специализированным функциям потери, YOLO26 обеспечивает непревзойденный баланс скорости, точности и простоты использования. Для разработчиков, стремящихся внедрить надежные решения в области компьютерного зрения — будь то на мощных облачных серверах или на периферийных устройствах с ограниченными ресурсами —YOLO26 является оптимальным выбором.

Если вы заинтересованы в изучении других современных архитектур, рекомендуем ознакомиться со статьей YOLO11 для общего обнаружения или RT-DETR для приложений на основе трансформаторов.

Комментарии