Ultralytics YOLO26, YOLO11 или YOLOv8: что выбрать?

Передовые системы компьютерного зрения, часто основанные на свёрточных нейронных сетях (CNN), позволяют машинам анализировать и интерпретировать визуальные данные изображений и видео. Сейчас такие системы внедряются в самых разных средах.

Такие системы применяются в сельском хозяйстве, производстве и розничной торговле, а также в самых разных средах развёртывания: на периферийных устройствах, встроенном оборудовании, устройствах Интернета вещей (IoT), с обработкой непосредственно на устройстве и в масштабных облачных конвейерах, поддерживающих приложения реального времени.

В реальных условиях развёртывание таких моделей не всегда проходит гладко. Им часто приходится работать при ограниченных вычислительных ресурсах, укладываться в жёсткие требования к задержке и масштабироваться без существенного роста затрат. Поэтому производительность определяется не только точностью, а целым рядом параметров.

Точность по-прежнему важна, но не менее важно, чтобы модель эффективно работала в промышленной эксплуатации. Скорость, потребление ресурсов и масштабируемость существенно влияют на долгосрочную эффективность системы.

Модели компьютерного зрения, такие как модели Ultralytics YOLO, развиваются с учётом этого баланса. Например, Ultralytics YOLOv8 заложила прочную и универсальную основу, Ultralytics YOLO11 развила её, повысив скорость и точность, а Ultralytics YOLO26 продолжает этот путь: она стала легче, быстрее и эффективнее, чем когда-либо.

Рис. 1. Обнаружение объектов на изображении с помощью Ultralytics YOLO26 (Источник)

В этой статье мы сравним Ultralytics YOLO26, YOLO11 и YOLOv8, чтобы помочь тебе выбрать подходящую модель для проекта компьютерного зрения. Начнём!

Как развивались модели Ultralytics YOLO#

Каждая новая версия моделей Ultralytics YOLO привносила улучшения, которые лучше отвечали требованиям реальных условий и делали компьютерное зрение доступнее. Благодаря этим обновлениям модели стали быстрее, эффективнее и проще в развёртывании, что способствовало развитию экосистемы ИИ для компьютерного зрения.

Модели также построены на PyTorch, поэтому их легко обучать, настраивать и интегрировать в интеллектуальные рабочие процессы машинного обучения. Модели Ultralytics YOLO доступны из коробки в виде предварительно обученных моделей, часто обученных на таких наборах данных, как COCO, что позволяет командам быстро приступить к работе и дообучить их под конкретные задачи.

Кроме того, пакет Ultralytics для Python упрощает развёртывание благодаря встроенной поддержке экспорта моделей в такие форматы, как ONNX и TensorRT. Это облегчает интеграцию моделей с разными аппаратными платформами — от периферийных устройств до систем с ускорением на GPU.

От Ultralytics YOLOv5 до Ultralytics YOLO26#

Первая модель Ultralytics YOLO — Ultralytics YOLOv5 — получила широкое распространение благодаря надёжному обнаружению объектов. Она была построена на одностадийном подходе к обнаружению и обеспечивала быстрые прогнозы в реальном времени за один проход, что сделало её подходящей для производственных рабочих процессов.

В более поздних обновлениях появились варианты без якорей: в них модель напрямую предсказывает местоположение объектов, а не использует заранее заданные якорные рамки, что делает обнаружение гибче. Однако исходная модель по-прежнему была в основном ориентирована на задачи обнаружения объектов.

Опираясь на эту основу, Ultralytics YOLOv8 расширила возможности семейства моделей. Вместо того чтобы решать только задачи обнаружения объектов, она добавила поддержку нескольких задач компьютерного зрения, включая сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). В архитектуру также внесли улучшения, включая усовершенствованные структуры базовой сети и шеи, что повысило качество извлечения признаков и общую эффективность обнаружения.

Кроме того, варианты YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) и YOLOv8x (Extra Large) дали разработчикам возможность выбирать баланс скорости, точности и потребления ресурсов в соответствии со своими потребностями. Широкие возможности модели в сочетании с простотой использования сделали её популярным выбором для самых разных приложений компьютерного зрения.

Рис. 2. Модели YOLO, например YOLOv8, YOLO11 и YOLO26, поддерживают широкий спектр задач компьютерного зрения.

Вслед за ней появилась Ultralytics YOLO11, ориентированная на повышение производительности в реальных рабочих процессах: она обеспечила более высокую точность и ускорила инференс. Благодаря более лёгкой архитектуре модель хорошо работает как на периферийных устройствах, так и в облаке и совместима с существующими конвейерами YOLOv8.

Новейшая модель семейства Ultralytics YOLO — YOLO26 — представляет собой передовую разработку, задающую новый стандарт для ИИ компьютерного зрения с приоритетом периферийных устройств. Она предлагает более лёгкий, быстрый и эффективный подход к развёртыванию в реальных условиях. Модель разработана для эффективной работы на CPU и встроенных системах, упрощает развёртывание и повышает производительность в реальном времени в самых разных приложениях.

Сравнение YOLO26, YOLO11 и YOLOv8#

Работая над проектами компьютерного зрения, ты можешь встретить разные модели Ultralytics и задуматься, какая из них подойдёт именно тебе. Давай сравним YOLO26, YOLO11 и YOLOv8 в реальных условиях.

Ultralytics YOLOv8 выпустили в 2023 году, и с тех пор она широко используется сообществом компьютерного зрения. Благодаря активной поддержке сообщества и простоте использования эта модель долгое время была популярным выбором многих команд. Если тебе нужна хорошо документированная модель с большим количеством руководств, инструкций и материалов сообщества, YOLOv8 станет отличной отправной точкой.

В 2024 году представили Ultralytics YOLO11 с улучшениями производительности и эффективности. По сравнению с YOLOv8 она обеспечивает более высокую скорость и точность, сохраняя при этом компактную и оптимизированную архитектуру. Это более сбалансированная модель, которая надёжно работает в промышленной эксплуатации без существенного увеличения потребления ресурсов.

В этом году вышла Ultralytics YOLO26 — последняя версия, ориентированная на эффективное масштабное развёртывание. Она обеспечивает более быстрый инференс на CPU и эффективнее использует ресурсы, позволяя командам запускать больше рабочих нагрузок на том же оборудовании.

Например, скорость инференса нано-модели Ultralytics YOLO26 на центральных процессорах (CPU) может быть на 43% выше, чем у YOLO11, что делает её отличным вариантом для периферийных устройств и сред с ограниченными ресурсами. Это особенно важно, поскольку традиционные конфигурации часто сильно зависят от графических процессоров (GPU), которые могут быть дорогими и хуже масштабироваться.

Рис. 3. Тестирование производительности YOLO26 на CPU (Источник)

В целом Ultralytics YOLO26 — отличный выбор для команд и отдельных специалистов, которые хотят найти оптимальный баланс между производительностью, стоимостью и масштабируемостью.

Подробный обзор Ultralytics YOLO26#

Ultralytics YOLO26 — современная модель, разработанная для использования в реальных условиях, где эффективность, скорость и масштабируемость не менее важны, чем точность. Вместо того чтобы сосредоточиться только на улучшении результатов бенчмарков, она предлагает архитектурные изменения и изменения в обучении, благодаря которым модели проще запускать, быстрее внедрять и надежнее использовать на разном оборудовании.

Эти улучшения особенно важны для периферийных и производственных систем, где ключевую роль играют ограниченные вычислительные ресурсы, требования к задержке и стоимость. Упрощая инференс и оптимизируя производительность, Ultralytics YOLO26 помогает энтузиастам ИИ эффективнее создавать и масштабировать приложения компьютерного зрения.

Рассмотрим подробнее некоторые ключевые возможности Ultralytics YOLO26:

• Сквозной инференс без NMS: Одно из ключевых изменений — архитектура без подавления немаксимумов (NMS), которая устраняет необходимость в постобработке. Проще говоря, модель сразу выдает итоговые предсказания. В результате задержка становится более предсказуемой, а развертывание — проще.
• Отказ от DFL: Ultralytics YOLO26 отказывается от модуля Distribution Focal Loss (DFL) в пользу более простого подхода к предсказанию ограничивающих рамок. Это изменение соответствует сквозной архитектуре без NMS, снижает сложность конвейера и повышает согласованность развертывания.
• Оптимизатор MuSGD: В последних моделях Ultralytics YOLO появился MuSGD — гибридный оптимизатор, который сочетает стохастический градиентный спуск (SGD) с обновлениями, вдохновленными Muon. Это повышает стабильность обучения и сходимость, обеспечивая более плавную оптимизацию и более стабильное поведение моделей разных размеров.
• ProgLoss и STAL: Эти новшества в обучении — прогрессивная балансировка функции потерь (ProgLoss) и назначение меток с учетом малых объектов (STAL) — делают модель стабильнее и надежнее. ProgLoss помогает модели постепенно обучаться на наборах данных, а STAL не позволяет игнорировать мелкие объекты во время обучения, улучшая обнаружение в сложных сценах.

Точность и эффективность: от бенчмарков к результатам в реальных условиях#

Чтобы понять различия между YOLO26, YOLO11 и YOLOv8, сначала разберемся в факторах, влияющих на производительность моделей в реальных условиях.

Точность, которую часто измеряют такими метриками производительности, как средняя точность (mAP), уже давно служит важным показателем для оценки моделей компьютерного зрения. Она показывает, насколько хорошо модель работает в стандартизированных условиях, и помогает сравнивать разные версии.

Однако при переходе от тестирования к развертыванию в реальных условиях одной точности недостаточно. Производительность в рабочей среде зависит от таких факторов, как размер модели, время инференса или задержка, использование вычислительных ресурсов и способность системы масштабироваться в разных средах.

В отличие от контролируемых бенчмарков, условия в реальном мире часто непредсказуемы. Освещение может меняться, объекты могут быть видны лишь частично, а входные данные могут сильно отличаться от тех, на которых обучалась модель. Такие изменения влияют на стабильность работы модели на практике.

Рис. 4. Пример применения Ultralytics YOLO26 в непредсказуемых условиях, например на строительной площадке.

Например, представь систему с сотнями камер в умном городе, магазине или на складе. Каждый видеопоток нужно обрабатывать в реальном времени, часто поддерживая стабильную частоту кадров (кадров в секунду, или FPS), чтобы избежать задержек и пропуска кадров.

Менее эффективная модель может обрабатывать меньше одновременных потоков на одной системе, поэтому для масштабирования обычно требуется дополнительное оборудование, что увеличивает расходы на инфраструктуру.

Более эффективные модели, такие как Ultralytics YOLO26, могут обрабатывать больше потоков на том же оборудовании, эффективнее используя доступные ресурсы. Это повышает общую эффективность системы и упрощает масштабирование развертываний со временем.

Чтобы подробнее узнать о YOLO26, YOLO11 и YOLOv8, ознакомься с официальной документацией Ultralytics.

Главные выводы#

Серия моделей Ultralytics YOLO развивалась, чтобы лучше соответствовать потребностям развертывания в реальных условиях. Каждая версия основана на предыдущей, уделяя все больше внимания эффективности, масштабируемости и простоте развертывания. Иными словами, если ты создаешь приложение для обнаружения объектов в реальном времени, которое должно надежно работать в масштабе, Ultralytics YOLO26 — отличный выбор.

Хочешь внедрить компьютерное зрение на базе ИИ в свои процессы? Ознакомься с нашими вариантами лицензирования. На страницах решений ты также узнаешь, как ИИ в производстве меняет фабрики и как компьютерное зрение в робототехнике формирует будущее. Присоединяйся к нашему растущему сообществу и изучи наш репозиторий GitHub, где собраны ресурсы по ИИ.