Ultralytics YOLO26 против YOLO11 против YOLOv8: что выбрать?

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

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

В реальных условиях развертывание таких моделей не всегда проходит гладко. Часто им приходится работать при ограниченных вычислительных мощностях, соблюдать строгие требования по задержке и масштабироваться без существенного увеличения затрат. Эти ограничения делают производительность многомерной задачей, а не просто 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 хорошо система будет функционировать с течением времени.

Модели computer vision вроде Ultralytics YOLO models развивались с учетом этого баланса. Например, Ultralytics YOLOv8 заложила прочную и универсальную основу, Ultralytics YOLO11 пошла дальше за счет улучшенной скорости и точности, а Ultralytics YOLO26 развивает это направление, став еще более легкой, быстрой и эффективной, чем прежде.

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

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

Разбираемся в эволюции моделей Ultralytics YOLO#

Каждая новая итерация моделей Ultralytics YOLO привносила улучшения, чтобы лучше соответствовать реальным задачам и сделать компьютерное зрение доступнее. Эти обновления сделали модели быстрее, эффективнее и проще в развертывании, способствуя росту экосистемы vision AI.

Они также построены на базе PyTorch, поэтому их легко обучать, адаптировать и интегрировать в интеллектуальные рабочие процессы машинного обучения. Модели Ultralytics YOLO доступны как готовые предобученные решения (часто обученные на таких наборах данных, как COCO), что позволяет командам быстро приступить к работе и дообучить их под свои специфические задачи.

В дополнение к этому 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 ускорением на GPU.

Путь от Ultralytics YOLOv5 до Ultralytics YOLO26#

Первая модель Ultralytics YOLO, Ultralytics YOLOv5, завоевала огромную популярность благодаря своим надежным возможностям обнаружения объектов. Основанная на одноэтапном подходе к детекции, она обеспечивала быстрые предсказания в реальном времени за один проход, что отлично подходит для рабочих процессов в продакшене.

Поздние обновления представили варианты без анкоров (anchor-free), где модель напрямую предсказывает расположение объектов вместо использования предопределенных anchor boxes, что сделало детекцию более гибкой. Однако исходная модель в основном оставалась ориентированной на задачи обнаружения объектов.

Опираясь на этот фундамент, Ultralytics YOLOv8 расширила охват семейств моделей. Вместо того чтобы фокусироваться только на детекции объектов, она добавила поддержку множества задач компьютерного зрения, таких как сегментация экземпляров, классификация изображений, оценка позы и детекция с ориентированными ограничивающими рамками (OBB). Она также принесла архитектурные улучшения, включая продвинутые конструкции бэкбона и шейки, которые усилили извлечение признаков и общую производительность детекции.

Кроме того, варианты, такие как YOLOv8n (Nano), YOLOv8s (Small), YOLOv8m (Medium), YOLOv8l (Large) и YOLOv8x (Extra Large), предоставили разработчикам гибкость в балансировке скорости, точности и использования ресурсов в зависимости от потребностей. Эти расширенные возможности в сочетании с простотой использования сделали её предпочтительным выбором для широкого спектра задач компьютерного зрения.

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

Вслед за этим Ultralytics YOLO11 сосредоточилась на улучшении производительности в реальных рабочих процессах, обеспечивая более высокую точность наряду с более высокой скоростью инференса. Благодаря более легкой архитектуре она отлично работает как в среде Edge, так и в облачных средах, оставаясь совместимой с существующими пайплайнами YOLOv8.

Новейшее дополнение к семейству моделей Ultralytics YOLO, YOLO26, — это передовая модель, устанавливающая новый стандарт для edge-first vision AI. Она предлагает более легкий, быстрый и эффективный подход к развертыванию в реальных условиях. Модель спроектирована для эффективной работы на CPU и встраиваемых системах, одновременно упрощая развертывание и повышая производительность в реальном времени в самых разных приложениях.

Сравнение YOLO26, YOLO11 и YOLOv8#

При работе над проектами компьютерного зрения ты можешь столкнуться с разными моделями Ultralytics и задаться вопросом, какая из них лучше всего подходит для твоей задачи. Давай разберемся, как YOLO26, YOLO11 и YOLOv8 соотносятся в реальных сценариях.

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

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

В этом году в качестве новейшей итерации была выпущена Ultralytics YOLO26, с фокусом на эффективное развертывание в масштабе. Она обеспечивает более быстрый инференс на CPU и улучшенное использование ресурсов, позволяя командам запускать больше рабочих нагрузок на том же железе.

Например, нано-модель Ultralytics YOLO26 способна достигать инференса на 43% быстрее, чем YOLO11 на центральных процессорах (CPU), что делает ее отличным вариантом для Edge и сред с ограниченными ресурсами. Это особенно важно, потому что традиционные установки часто сильно зависят от графических процессоров (GPU), что может быть дорого и сложнее масштабировать.

Рис. 3. Бенчмаркинг производительности YOLO26 на CPU (Source)

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

Подробный взгляд на Ultralytics YOLO26#

Ultralytics YOLO26 — это передовая модель, созданная для реального развертывания, где эффективность, скорость и масштабируемость важны так же сильно, как и точность. Вместо того чтобы фокусироваться только на улучшении показателей в бенчмарках, она предлагает архитектурные и тренировочные 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 ограниченные вычислительные ресурсы, ограничения по задержке и вопросы стоимости играют ключевую роль. Упрощая инференс и оптимизируя производительность, Ultralytics YOLO26 позволяет энтузиастам ИИ создавать и масштабировать приложения компьютерного зрения еще эффективнее.

Вот более подробный обзор некоторых ключевых особенностей Ultralytics YOLO26:

• End-to-end NMS-free inference: Одно из важнейших изменений заключается в ее Non-Maximum Suppression-free (NMS) design, который устраняет необходимость в постобработке. Проще говоря, модель выдает финальные предсказания напрямую. В результате задержка становится более предсказуемой, а развертывание упрощается.
• Удаление DFL: Ultralytics YOLO26 отказывается от модуля Distribution Focal Loss (DFL) в пользу более простого подхода к предсказанию bounding box. Это изменение соответствует его сквозному дизайну без использования NMS, что снижает сложность пайплайна и повышает стабильность при развертывании.
• Оптимизатор MuSGD: Новейшие модели Ultralytics YOLO представляют MuSGD, гибридный оптимизатор, объединяющий Stochastic Gradient Descent (SGD) с обновлениями, вдохновленными Muon. Это улучшает стабильность обучения и сходимость, что приводит к более плавной оптимизации и более предсказуемому поведению моделей разного размера.
• 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 датасетах поэтапно с течением времени, в то время как STAL гарантирует, что мелкие объекты не будут проигнорированы во время обучения, улучшая детекцию в сложных сценах.

Точность против эффективности: за рамками бенчмарков к реальной производительности#

Чтобы контекстуализировать различия между YOLO26, YOLO11 и YOLOv8, давай лучше разберемся в факторах, которые определяют производительность модели в реальной работе.

Точность, которую часто измеряют такими метриками производительности, 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, когда модели переходят от тестирования к реальному развертыванию, одной лишь точности недостаточно. Производительность в продакшене зависит от таких факторов, как размер модели, время инференса или задержка, потребление вычислительных ресурсов и то, насколько хорошо система может масштабироваться в различных средах.

В отличие от контролируемых бенчмарков, реальные условия часто непредсказуемы. Условия освещения могут меняться, объекты могут быть частично скрыты, а входные данные могут сильно отличаться от тех, на которых обучалась модель. Эти вариации могут влиять на стабильность работы модели на практике.

Рис. 4. Пример использования Ultralytics YOLO26 в непредсказуемой среде, например на строительной площадке.

Например, представь систему с сотнями камер в умном городе, магазине или на складе. Каждый поток должен обрабатываться в реальном времени, что часто требует стабильной частоты кадров (FPS), чтобы избежать задержек или потери кадров.

Менее эффективная модель может обрабатывать меньше параллельных потоков на конкретной системе, а это значит, что для масштабирования обычно требуется дополнительное оборудование, что увеличивает затраты на инфраструктуру.

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

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

Основные выводы#

Серия моделей Ultralytics YOLO развивалась, чтобы лучше соответствовать потребностям реального развертывания. Каждая версия основывается на предыдущей с растущим акцентом на эффективность, масштабируемость и легкость внедрения. Другими словами, если ты создаешь приложение для детекции в реальном времени, которое должно надежно работать в масштабе, Ultralytics YOLO26 — идеальный выбор.

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