YOLOX и YOLO26#

За последнее десятилетие компьютерное зрение претерпело впечатляющие изменения. Среди важнейших вех — выпуск YOLOX, популяризировавшей архитектуры без якорей, и недавний выход Ultralytics YOLO26, которая полностью переосмысливает производительность в реальном времени благодаря встроенной сквозной архитектуре без NMS. В этом подробном сравнении рассматриваются архитектуры, показатели производительности и оптимальные сценарии развертывания обеих моделей, чтобы помочь разработчикам принять взвешенное решение для следующего проекта в области ИИ.

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 вперёд благодаря архитектуре без якорей, раздельной голове и усовершенствованной стратегии назначения меток SimOTA. Отказавшись от традиционных механизмов якорных рамок, преобладавших в прежних архитектурах, YOLOX успешно сблизила академические исследования и промышленное применение, предложив элегантную и эффективную платформу для детекции объектов.

Узнай больше о YOLOX

YOLO26#

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: ultralytics/ultralytics
• Платформа: платформа Ultralytics

Выпущенная в начале 2026 года, YOLO26 стала результатом многолетних последовательных улучшений, в первую очередь направленных на развертывание на периферийных устройствах и упрощение процессов обучения. В ней появилась опциональная сквозная голова один-к-одному без NMS (nms=False), которая пропускает традиционный этап постобработки — подавление немаксимумов. Это новшество значительно упрощает развертывание модели на разнообразном оборудовании. Кроме того, отказ от модуля Distribution Focal Loss (DFL) заметно снижает задержку и закрепляет за YOLO26 статус лучшего решения 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 выводит эффективность архитектуры на новый уровень. Отказ от NMS не только сокращает задержку при инференсе, но и обеспечивает стабильное, детерминированное время выполнения — критически важный фактор для автономных транспортных средств и робототехники.

Ключевые нововведения YOLO26:

• Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновлённый методами обучения больших языковых моделей (LLM), обеспечивает исключительно стабильное обучение и более быструю сходимость.
• Инференс на CPU до 43% быстрее: отказ от DFL и оптимизация архитектуры сети значительно повышают эффективность YOLO26 на периферийных устройствах с ограниченными ресурсами — от простых датчиков IoT до плат Raspberry Pi.
• ProgLoss + STAL: эти усовершенствованные функции потерь заметно улучшают распознавание мелких объектов, что крайне важно для анализа аэрофотоснимков и точного контроля качества в сфере автоматизации производства.

Производительность и тесты#

При оценке моделей для промышленной эксплуатации крайне важно анализировать баланс точности, скорости и вычислительной сложности. Ниже приведено подробное сравнение стандартных моделей, протестированных на изображениях размером 640 пикселей (и 416 пикселей для вариантов nano/tiny).

Как показывает таблица, серия YOLO26 обеспечивает более сбалансированную производительность. Например, YOLO26x достигает впечатляющих 57.5 mAP, используя почти вдвое меньше параметров, чем модель YOLOXx. Это напрямую обеспечивает более быстрый инференс на GPU (11.8 мс против 16.1 мс) и значительно большую гибкость при развертывании.

Обучение и возможности экосистемы#

Одно из самых существенных различий между этими архитектурами связано с удобством использования и поддержкой экосистемы.

YOLOX остаётся важным репозиторием для исследователей, изучающих механизмы работы без якорей и назначение меток, однако её настройка может быть сложной и часто требует вручную конфигурировать зависимости и операторы. В свою очередь, экосистема Ultralytics задаёт отраслевой стандарт простоты использования.

Благодаря унифицированному API для Python разработчики могут предельно просто инициализировать, обучать и развертывать модели YOLO26. Система автоматически загружает наборы данных, настраивает гиперпараметры и экспортирует модели в такие форматы, как ONNX, TensorRT и OpenVINO.

from ultralytics import YOLO

# Инициализируем современную сквозную компактную 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")

Кроме того, модели Ultralytics YOLO при обучении требуют значительно меньше памяти, чем ресурсоёмкие альтернативы на базе Transformer. Поэтому инженеры могут использовать большие размеры пакетов 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 остаётся подходящим вариантом для отдельных академических тестов и устаревших систем, построенных на исходной кодовой базе YOLOX. Благодаря исторической значимости модель часто используют как базовый вариант для изучения детекторов без якорей и пользовательских стратегий назначения.

В чём преимущества YOLO26#

YOLO26 изначально создана для современных промышленных приложений. Благодаря встроенной поддержке сегментации экземпляров, оценки позы и ориентированных ограничивающих рамок (OBB) она гораздо универсальнее стандартных систем детекции.

• Умная розница и управление запасами: благодаря архитектуре без NMS системы автоматической оплаты обрабатывают видеопотоки с минимальной задержкой и распознают товары без замедляющих процесс циклов постобработки.
• Аналитика с дронов и аэрофотосъёмка: специализированная функция угловых потерь для OBB и сочетание ProgLoss + STAL позволяют YOLO26 превосходно обнаруживать повёрнутые объекты и крошечные детали на обширных спутниковых снимках.
• Периферийные системы безопасности: благодаря инференсу на CPU на 43% быстрее компании могут развертывать эффективные системы аналитики безопасности непосредственно на недорогом локальном оборудовании, не тратясь на 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 ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Другие модели Ultralytics#

Если ты изучаешь развитие компьютерного зрения, стоит обратить внимание и на другие мощные модели семейства Ultralytics:

• YOLO11: непосредственная предшественница YOLO26, обеспечивающая надёжную производительность и широкую поддержку сообщества для стабильной эксплуатации в промышленной среде.
• YOLOv8: проверенная в самых разных условиях архитектура, которая задала стандарт удобства использования и гибкости для тысяч реальных развертываний.

Итак, YOLOX привнесла в сферу детекции объектов важные идеи, однако новая YOLO26 стала скачком в скорости, точности и простоте развертывания, превратившись в очевидный выбор для дальновидных разработчиков и компаний.