Ultralytics YOLO26 против YOLO11 против YOLOv8: что выбрать?

Передовые системы computer vision, часто работающие на базе сверточных нейронных сетей (CNN), позволяют машинам анализировать и интерпретировать визуальные данные из изображений и видео и сегодня внедряются в самых разных средах.

От сельского хозяйства до производства и розничной торговли — эти системы работают в различных средах развертывания, включая периферийные устройства, встроенное оборудование, устройства Интернета вещей (IoT), локальную обработку и крупномасштабные облачные конвейеры для поддержки приложений реального времени.

В реальных условиях развертывание таких моделей не всегда бывает простым. Им часто приходится работать при ограниченных вычислительных мощностях, соблюдать строгие требования к задержке и масштабироваться без значительного увеличения затрат. Эти ограничения делают производительность многогранной проблемой, а не только вопросом точности.

Хотя точность по-прежнему важна, не менее важно, чтобы модель эффективно работала в продакшене. Такие факторы, как скорость, использование ресурсов и масштабируемость, играют огромную роль в том, насколько эффективно система работает с течением времени.

Модели компьютерного зрения, такие как Ultralytics YOLO models, развивались с учетом этого баланса. Например, Ultralytics YOLOv8 создала прочную и универсальную основу, Ultralytics YOLO11 пошла дальше, улучшив скорость и точность, а Ultralytics YOLO26 развивает это, становясь легче, быстрее и эффективнее, чем когда-либо прежде.

Рис 1. Использование Ultralytics YOLO26 для обнаружения объектов на изображении (Источник)

В этой статье мы сравним Ultralytics YOLO26, YOLO11 и YOLOv8, чтобы помочь тебе выбрать подходящую модель для твоего проекта по компьютерному зрению. Давай начнем!

Link to this sectionПонимание эволюции моделей Ultralytics YOLO#

Каждая итерация моделей Ultralytics YOLO привносила улучшения, чтобы лучше соответствовать реальным требованиям и сделать компьютерное зрение более доступным. Эти обновления сделали модели быстрее, эффективнее и проще в развертывании, способствуя росту экосистемы ИИ для обработки изображений.

Они также построены на PyTorch, что позволяет легко обучать, настраивать и интегрировать их в интеллектуальные рабочие процессы машинного обучения. Модели Ultralytics YOLO доступны сразу из коробки в виде предобученных моделей, часто на таких наборах данных, как COCO, что позволяет командам быстро начать работу и провести дообучение для конкретных задач.

Кроме того, Ultralytics Python package упрощает развертывание, предоставляя встроенную поддержку экспорта моделей в такие форматы, как ONNX и TensorRT. Это облегчает интеграцию моделей на различных аппаратных платформах, от периферийных устройств до систем с поддержкой GPU.

Link to this sectionПуть от Ultralytics YOLOv5 до Ultralytics YOLO26#

Первая модель Ultralytics YOLO, Ultralytics YOLOv5, стала широко популярной благодаря надежным возможностям обнаружения объектов. Построенная на одноэтапном подходе к детекции, она обеспечивала быстрые предсказания в реальном времени за один проход, что сделало ее хорошо подходящей для рабочих процессов в продакшене.

Более поздние обновления представили варианты без использования анкоров, где модель предсказывает расположение объектов напрямую, вместо использования предопределенных якорных боксов, что сделало детекцию более гибкой. Однако оригинальная модель по-прежнему в основном фокусировалась на задачах обнаружения объектов.

Развивая эту базу, YOLOv8 расширила охват семейства моделей. Вместо того чтобы фокусироваться только на обнаружении объектов, она добавила поддержку множества computer vision tasks, таких как сегментация экземпляров, классификация изображений, оценка позы и обнаружение ориентированных ограничивающих рамок (OBB). Она также принесла архитектурные улучшения, включая продвинутые дизайны backbone и neck, что повысило извлечение признаков и общую производительность детекции.

Помимо этого, такие варианты, как YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) и YOLOv8x (Extra Large), дали разработчикам гибкость в балансировке скорости, точности и использования ресурсов в зависимости от их потребностей. Эти расширенные возможности в сочетании с простотой использования сделали ее основным выбором для широкого спектра приложений компьютерного зрения.

Рис 2. Модели YOLO, такие как YOLOv8, YOLO11 и YOLO26, поддерживают ряд задач компьютерного зрения.

Вслед за этим YOLO11 сфокусировалась на повышении производительности в реальных рабочих процессах, обеспечивая более высокую точность наряду с более высокой скоростью инференса. Благодаря более легкой архитектуре она хорошо работает как на периферийных устройствах, так и в облачных средах, оставаясь при этом совместимой с существующими конвейерами YOLOv8.

Последнее пополнение в семействе моделей Ultralytics YOLO, YOLO26, является передовой моделью, которая устанавливает новый стандарт для периферийного ИИ, предлагая более легкий, быстрый и эффективный подход к реальному развертыванию. Она разработана для эффективной работы на CPU и встроенных системах, упрощая развертывание и улучшая производительность в реальном времени в широком спектре приложений.

Link to this sectionСравнение YOLO26, YOLO11 и YOLOv8#

Работая над проектами компьютерного зрения, ты можешь столкнуться с разными моделями Ultralytics и задаться вопросом, какая из них подходит для твоего проекта. Давай разберемся, как YOLO26, YOLO11 и YOLOv8 соотносятся друг с другом в реальных сценариях.

YOLOv8 была выпущена в 2023 году и с тех пор широко используется сообществом компьютерного зрения. Ее сильная поддержка сообществом и простота использования сделали ее предпочтительной моделью для многих команд в прошлом. Если ты ищешь хорошо документированную модель с широким спектром руководств, гайдов и ресурсов сообщества, YOLOv8 — отличная отправная точка.

В 2024 году была представлена YOLO11 с улучшениями как в производительности, так и в эффективности. Она предлагает лучшую скорость и точность по сравнению с YOLOv8, сохраняя при этом меньшую и более оптимизированную архитектуру. Это более сбалансированная модель, которая надежно работает в продакшене без значительного увеличения использования ресурсов.

В этом году была выпущена YOLO26 как последняя итерация, сфокусированная на эффективном развертывании в масштабе. Она обеспечивает более быстрый инференс на CPU и улучшенное использование ресурсов, позволяя командам запускать больше рабочих нагрузок на том же оборудовании.

Например, модель YOLO26 nano может обеспечить до 43% более быстрый инференс, чем YOLO11 на центральных процессорах (CPU), что делает ее отличным вариантом для периферийных и ограниченных в ресурсах сред. Это особенно важно, так как традиционные настройки часто сильно зависят от графических процессоров (GPU), которые могут быть дорогостоящими и их сложнее масштабировать.

Рис 3. Бенчмаркинг производительности YOLO26 на CPU (Источник)

В целом, YOLO26 — это надежный выбор для команд и отдельных разработчиков, стремящихся оптимизировать баланс между производительностью, стоимостью и масштабируемостью.

Link to this sectionБолее близкий взгляд на Ultralytics YOLO26#

YOLO26 — это передовая модель, разработанная для реального развертывания, где эффективность, скорость и масштабируемость имеют такое же значение, как и точность. Вместо того чтобы фокусироваться только на улучшении показателей бенчмарков, она внедряет архитектурные и обучающие изменения, которые делают модели проще в запуске, быстрее в развертывании и надежнее в различных аппаратных средах.

Эти улучшения особенно важны для периферийных и производственных систем, где ключевую роль играют ограниченные вычисления, ограничения задержки и соображения стоимости. Упрощая инференс и оптимизируя производительность, YOLO26 позволяет энтузиастам ИИ создавать и масштабировать приложения компьютерного зрения более эффективно.

Вот более подробный обзор некоторых ключевых особенностей YOLO26:

• Сквозной инференс без NMS: Одним из ключевых изменений является Non-Maximum Suppression-free (NMS) design, который устраняет необходимость в постпроцессинге. Проще говоря, модель напрямую выдает итоговые предсказания. В результате задержка становится более предсказуемой, а развертывание — проще.
• Удаление DFL: YOLO26 отходит от модуля Distribution Focal Loss (DFL) в пользу более простого подхода к предсказанию ограничивающих рамок. Это изменение соответствует ее сквозному дизайну без NMS, снижая сложность конвейера и улучшая согласованность развертывания.
• Оптимизатор MuSGD: Последние модели Ultralytics YOLO представляют MuSGD, гибридный оптимизатор, объединяющий стохастический градиентный спуск (SGD) с обновлениями в стиле Muon. Это повышает стабильность и сходимость обучения, что ведет к более плавной оптимизации и более предсказуемому поведению моделей разных размеров.
• ProgLoss и STAL: Эти training innovations, Progressive Loss Balancing (ProgLoss) и Small-Target-Aware Label Assignment (STAL), делают модель более стабильной и надежной. ProgLoss помогает модели учиться на данных поэтапно, а STAL гарантирует, что мелкие объекты не будут игнорироваться во время обучения, улучшая обнаружение в сложных сценах.

Link to this sectionТочность против эффективности: от бенчмарков к реальной производительности#

Чтобы лучше понять различия между YOLO26, YOLO11 и YOLOv8, давай разберемся с факторами, определяющими производительность модели в реальных условиях.

Точность, часто измеряемая такими метриками, как средняя точность (mAP), долгое время была важным способом оценки моделей компьютерного зрения. Она показывает, насколько хорошо модель работает в стандартизированных условиях, и полезна при сравнении разных версий.

Однако, как только модели переходят от тестирования к реальному развертыванию, одной точности становится недостаточно. Производительность в продакшене зависит от таких факторов, как размер модели, время инференса или задержка, использование вычислительных мощностей и способность системы масштабироваться в разных средах.

В отличие от контролируемых бенчмарков, реальные условия часто непредсказуемы. Условия освещения могут меняться, объекты могут быть частично видны, а входные данные могут значительно отличаться от тех, на которых обучалась модель. Эти вариации могут влиять на то, насколько стабильно модель работает на практике.

Рис 4. Пример использования YOLO26 в непредсказуемой среде, такой как строительная площадка.

Например, рассмотри систему с сотнями камер в умном городе, розничном магазине или на складе. Каждый поток должен обрабатываться в реальном времени, часто требуя стабильной частоты кадров (FPS), чтобы избежать задержек или пропусков кадров.

Менее эффективная модель может обрабатывать меньше одновременных потоков на данной системе, что означает, что масштабирование обычно требует дополнительного оборудования и увеличивает инфраструктурные затраты.

Более эффективные модели, такие как YOLO26, могут обрабатывать больше потоков на том же оборудовании, лучше используя доступные ресурсы. Это повышает общую эффективность системы и упрощает масштабирование развертываний с течением времени.

Чтобы углубиться в сравнение YOLO26, YOLO11 и YOLOv8, загляни в official Ultralytics docs.

Link to this sectionОсновные выводы#

Серия моделей Ultralytics YOLO эволюционировала, чтобы лучше соответствовать потребностям реального развертывания. Каждая версия основывается на предыдущей, уделяя все больше внимания эффективности, масштабируемости и простоте развертывания. Другими словами, если ты создаешь приложение для детекции в реальном времени, которое должно надежно работать в масштабе, Ultralytics YOLO26 — идеальный выбор.

Хочешь внедрить ИИ в свои процессы? Ознакомься с нашими licensing options. Ты также можешь посетить наши страницы решений, чтобы увидеть, как AI in manufacturing преобразует заводы и как vision AI in robotics формирует будущее. Присоединяйся к нашему растущему community и изучи наш GitHub repository с ресурсами по ИИ.