YOLOX и YOLO26#

За последнее десятилетие область компьютерного зрения претерпела невероятные изменения. Двумя значимыми вехами на этом пути стали выпуск YOLOX, популяризировавшего безъякорные архитектуры, и недавнее появление Ultralytics YOLO26, которое полностью переопределяет производительность в реальном времени благодаря нативному сквозному дизайну без NMS. В этом подробном сравнении рассматриваются их архитектуры, метрики производительности и оптимальные сценарии развертывания, чтобы помочь тебе принять обоснованное решение для следующего AI-проекта.

Обзор моделей#

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

YOLOX#

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX
• Документация: Документация YOLOX на GitHub

Представленная в середине 2021 года, YOLOX ознаменовала значительный сдвиг благодаря безъякорному дизайну в сочетании с раздельной головой и продвинутой стратегией назначения меток SimOTA. Отказавшись от традиционных механизмов якорных рамок, доминировавших в предыдущих архитектурах, YOLOX успешно сократила разрыв между академическими исследованиями и промышленным применением, предложив элегантный и при этом высокоэффективный фреймворк для обнаружения объектов.

Узнай больше о YOLOX

YOLO26#

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

Выпущенная в начале 2026 года, YOLO26 стала результатом многолетних итеративных улучшений с особым акцентом на развертывание на периферийных устройствах и упрощение процессов обучения. Она представляет сквозной дизайн без NMS, полностью устраняя традиционный этап постобработки — подавление немаксимумов. Этот прорыв значительно упрощает развертывание модели на различном оборудовании. Кроме того, за счет удаления модуля Distribution Focal Loss (DFL) YOLO26 обеспечивает существенно меньшую задержку, закрепляя за собой статус оптимального выбора для современных приложений компьютерного зрения.

Архитектурные инновации#

Архитектуры этих двух моделей демонстрируют стремительное развитие методов глубокого обучения, особенно в отношении функций потерь и постобработки.

Подход YOLOX#

YOLOX разделила задачи классификации и регрессии в своей голове предсказаний, что значительно ускорило сходимость во время обучения. Безъякорная архитектура уменьшила число параметров проектирования и устранила необходимость в сложной настройке якорей перед обучением. В сочетании с алгоритмом назначения меток SimOTA это позволило YOLOX достичь на тот момент передовых результатов, особенно на стандартных бенчмарках, таких как датасет COCO.

Преимущества YOLO26#

YOLO26 выводит эффективность архитектуры на новый уровень. Удаление NMS не только снижает задержку инференса, но и обеспечивает стабильное детерминированное время выполнения — критически важный фактор для автономных транспортных средств и робототехники.

Ключевые инновации YOLO26:

• Оптимизатор MuSGD: Гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей (LLM), обеспечивает исключительно стабильное обучение и более быструю сходимость.
• До 43% более быстрый инференс на CPU: За счет устранения DFL и оптимизации архитектуры сети YOLO26 отлично подходит для периферийных устройств с ограниченными ресурсами — от простых IoT-сенсоров до плат Raspberry Pi.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно улучшают распознавание небольших объектов, что особенно важно для анализа аэрофотоснимков и точного контроля качества в сфере автоматизации производства.

Производительность и бенчмарки#

При оценке моделей для производственных сред крайне важно анализировать баланс между точностью, скоростью и вычислительной сложностью. Ниже приведено подробное сравнение стандартных моделей, протестированных при размере изображения 640 пикселей (и 416 для вариантов nano/tiny).

Как показывает таблица, серия YOLO26 обеспечивает более сбалансированную производительность. Например, YOLO26x достигает впечатляющего показателя 57.5 mAP, используя почти вдвое меньше параметров, чем модель YOLOXx, что напрямую приводит к более высокой скорости инференса на GPU (11.8 мс против 16.1 мс) и значительно большей гибкости развертывания.

Обучение и возможности экосистемы#

Одно из наиболее существенных различий между этими архитектурами заключается в удобстве использования и поддержке экосистемы.

Хотя YOLOX остается фундаментальным репозиторием для исследователей, изучающих распространение градиентов и безъякорные механизмы, его настройка может быть сложной и часто требует ручной конфигурации зависимостей и операторов. В свою очередь, экосистема Ultralytics задает отраслевой стандарт удобства использования.

Благодаря унифицированному Python API разработчики могут с непревзойденной простотой инициализировать, обучать и развертывать модели YOLO26. Система автоматически 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")

Кроме того, модели Ultralytics YOLO требуют значительно меньше памяти во время обучения по сравнению с ресурсоемкими альтернативами на базе Transformer, что позволяет инженерам использовать большие размеры батчей даже на оборудовании потребительского класса.

Практические применения#

Окончательный выбор между YOLOX и YOLO26 зависит от ограничений твоего развертывания и требований к многозадачности.

В чем превосходит YOLOX#

YOLOX остается подходящим вариантом для определенных академических бенчмарков и устаревших систем, тесно интегрированных с фреймворком MegEngine. Ее историческая значимость делает модель популярным базовым решением для исследования безъякорных детекторов и пользовательских стратегий назначения.

Преимущества YOLO26#

YOLO26 изначально разработана для современных промышленных приложений. Благодаря нативной поддержке сегментации экземпляров, оценки позы и ориентированных ограничивающих рамок (OBB) она гораздо универсальнее стандартных движков обнаружения.

• Умная розничная торговля и управление запасами: Безъякорный дизайн без NMS гарантирует, что системы автоматизированной оплаты обрабатывают видеопотоки с минимальной задержкой, распознавая товары без узкого места в виде циклов постобработки.
• Аналитика с дронов и аэрофотосъемка: Специализированная функция потерь для угла OBB и интеграция ProgLoss + STAL делают YOLO26 непревзойденной моделью для обнаружения повернутых объектов и мелких деталей на обширных спутниковых изображениях.
• Периферийные системы безопасности: Благодаря инференсу на CPU, который на 43% быстрее, YOLO26 позволяет компаниям развертывать надежную аналитику безопасности непосредственно на недорогом локальном оборудовании без необходимости в дорогостоящих облачных вычислениях.

Варианты применения и рекомендации#

Выбор между YOLOX и YOLO26 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOX#

YOLOX — хороший выбор для:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая безъякорная архитектура YOLOX используется как базовая модель для экспериментов с новыми головками обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый размер варианта YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты, изучающие стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Когда стоит выбрать YOLO26#

YOLO26 рекомендуется для:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Изучение других моделей Ultralytics#

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

• YOLO11: Непосредственный предшественник YOLO26, обеспечивающий надежную производительность и широкую поддержку сообщества для стабильных производственных сред.
• YOLOv8: Архитектура, прошедшая масштабную проверку в реальных условиях и установившая стандарт удобства использования и гибкости в тысячах практических развертываний.

В заключение отметим: хотя YOLOX привнесла важные концепции в область обнаружения объектов, новая YOLO26 обеспечивает скачок на целое поколение в скорости, точности и простоте развертывания, становясь очевидным выбором для дальновидных разработчиков и компаний.