Начать

YOLOX и YOLOv8

За последние годы компьютерное зрение стремительно продвинулось в области обнаружения объектов в реальном времени. Исследователям и инженерам становится всё сложнее ориентироваться в доступных моделях по мере того, как они продолжают повышать точность и скорость. В этом руководстве сравниваются две влиятельные архитектуры: YOLOX и Ultralytics YOLOv8.

Анализируя архитектуру, методы обучения и возможности развёртывания, разработчики могут сделать обоснованный выбор фреймворка для своих проектов в области искусственного интеллекта.

YOLOX: от исследований к промышленности#

YOLOX стала важной моделью, которая помогла сблизить академические исследования и промышленное применение. Она вернула в центр внимания безанкерную архитектуру, значительно сократив число проектных параметров и объём эвристической настройки, необходимых детекторам с анкерами.

Сведения о модели:

Основные особенности архитектуры#

YOLOX объединяет несколько ключевых модификаций, отличающих её от предшественников. Самая заметная из них — разделённая голова, которая распределяет задачи классификации и регрессии ограничивающих рамок по отдельным ветвям. Такое архитектурное решение уменьшает конфликт между пространственным выравниванием, необходимым для регрессии, и инвариантностью к переносу, необходимой для классификации, что ускоряет сходимость во время обучения.

Кроме того, YOLOX использует стратегию назначения меток SimOTA. Этот динамический метод сводит сопоставление объектов с истинной разметкой и прогнозов к задаче оптимального транспорта, что позволяет сократить время обучения и повысить среднюю точность (mAP). Модель также применяет эффективные методы аугментации данных, включая MixUp и Mosaic, однако в последние эпохи обучения их отключают, чтобы стабилизировать выученные признаки.

Узнай больше о YOLOX

YOLOv8: универсальный стандарт экосистемы#

Созданная на основе многолетних непрерывных исследований, Ultralytics YOLOv8 стала важным шагом вперёд для моделей Ultralytics. Она изначально разрабатывалась не просто как детектор объектов, а как комплексный мультитасковый фреймворк для решения широкого круга задач визуального распознавания с доступным API.

Сведения о модели:

Архитектурные усовершенствования#

В YOLOv8 используется упрощённая архитектура: модуль C3 заменён более эффективным модулем C2f, который улучшает распространение градиента и извлечение признаков без значительного увеличения числа параметров. Как и YOLOX, YOLOv8 использует безанкерную архитектуру и разделённую голову, но улучшает расчёт функции потерь, добавляя Distribution Focal Loss (DFL) и CIoU loss. Это позволяет точнее предсказывать ограничивающие рамки, особенно для небольших или перекрывающихся объектов.

Экосистема Ultralytics

Одно из главных преимуществ YOLOv8 — глубокая интеграция в экосистему Ultralytics. Будь то единый Python API или визуальный интерфейс платформы Ultralytics, переход от обучения к развёртыванию прост; из коробки поддерживается множество форматов — от ONNX до TensorRT.

Помимо стандартного обнаружения объектов, YOLOv8 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB). Благодаря поддержке множества задач эта модель подходит для сложных производственных сред, где нужно обслуживать несколько типов моделей.

Сравнение производительности и метрик#

При сравнении этих моделей разработчикам нужно учитывать компромиссы между точностью, задержкой инференса и вычислительными затратами. В таблице ниже приведены результаты тестирования обеих линеек моделей.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

YOLOv8 стабильно обеспечивает более высокий mAP, чем YOLOX при сопоставимом количестве параметров, и при этом демонстрирует высокую скорость на GPU. Кроме того, модели Ultralytics известны низкими требованиями к памяти во время обучения. Это важное преимущество при увеличении размера батчей на потребительском оборудовании, особенно в сравнении с ресурсоёмкими архитектурами на основе Transformer, такими как RT-DETR, которые потребляют значительно больше памяти CUDA.

Опыт разработки и развёртывания#

Работа с устаревшими исследовательскими кодовыми базами часто требует настройки сложных окружений и написания собственного шаблонного кода для инференса. В свою очередь, API Ultralytics сводит всё это к нескольким строкам Python.

from ultralytics import YOLO

# Инициализация малой модели YOLOv8
model = YOLO("yolov8s.pt")

# Обучи модель на пользовательском датасете
train_results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Проверь точность модели
metrics = model.val()

# Запуск инференса на тестовом изображении
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Этот унифицированный интерфейс — отличительная черта хорошо поддерживаемой экосистемы Ultralytics. Он позволяет разработчикам тратить меньше времени на отладку проблем с окружением и больше — на доработку своих решений в области компьютерного зрения.

Сценарии использования и рекомендации#

Выбор между YOLOX и YOLOv8 зависит от конкретных требований проекта, ограничений развёртывания и предпочтений в отношении 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 выбрать YOLOv8#

YOLOv8 подойдет для:

  • Универсальное развёртывание для нескольких задач: Проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Взгляд в будущее: архитектура YOLO26#

YOLOv8 обеспечивает хороший баланс точности и удобства использования, но ИИ продолжает стремительно развиваться. Выпущенная в январе 2026 года YOLO26 — рекомендуемая модель для современных периферийных и облачных развёртываний, развивающая достижения предыдущих поколений.

В YOLO26 используется сквозная архитектура без NMS: опциональная голова один-к-одному (nms=False) пропускает эвристический этап постобработки NMS, обеспечивая стабильную и предсказуемую задержку на разных целевых платформах. После удаления модуля Distribution Focal Loss (DFL) YOLO26n выполняет инференс на CPU до 43% быстрее, чем YOLO11n, что делает YOLO26 хорошим выбором для встраиваемых систем и мобильных приложений.

YOLO26 также повышает стабильность обучения благодаря оптимизатору MuSGD — гибриду SGD и Muon, который ускоряет сходимость. С помощью ProgLoss + STAL (прогрессивной функции потерь и назначения меток с учётом малых объектов) YOLO26 улучшает обнаружение небольших объектов, что критически важно для картографирования с дронов и систем охранной сигнализации.

Заключение и рекомендации#

YOLOX стала важным шагом в переходе к безанкерным методам, но отсутствие интегрированной мультитасковой экосистемы ограничивает её применение в быстро меняющихся производственных средах.

Разработчикам, которым важны удобство работы, поддержка разнообразных задач и активное сообщество, подойдёт YOLOv8. Но если ты хочешь повысить производительность периферийных вычислений, устранить узкие места NMS и добиться максимальной точности благодаря новейшим методам обучения, YOLO26 — рекомендуемая модель для любого нового проекта в области компьютерного зрения.

Если ты хочешь изучить другие модели линейки Ultralytics, ознакомься с характеристиками YOLO11 или прочитай о подходе без NMS, впервые использованном в YOLOv10.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. zaraquinnatGitHub(изменено)

    Excellent technical comparison! YOLOX introduced some innovative ideas like decoupled heads and anchor-free design, which definitely influenced later models. However, this YOLOv8 comparison shows how v8 builds on such advancements with a cleaner architecture, better task flexibility, and improved performance across various benchmarks. Both have their strengths depending on the application.