Ultralytics YOLO26 против YOLO11 против YOLOv8: что выбрать?

Передовые системы computer vision, зачастую работающие на базе сверточных нейронных сетей (CNN), позволяют машинам анализировать и интерпретировать визуальные данные из изображений и видео, и сейчас они активно внедряются в самых разных сферах.

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 компьютерного зрения, такие как Ultralytics YOLO models, развивались с учетом этого баланса. Например, Ultralytics YOLOv8 заложила прочный и универсальный фундамент, Ultralytics YOLO11 сделала шаг вперед в плане скорости и точности, а Ultralytics YOLO26 развивает эти достижения, становясь еще легче, быстрее и эффективнее, чем когда-либо.

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 компьютерного зрения. Давай начнем!

Link to this sectionРазбираемся 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 граничных устройств до систем с ускорением на 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 одностадийном подходе к детекции, она обеспечивала быстрые предсказания в реальном времени за один проход, что сделало ее отличным выбором 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, YOLOv8 расширила область применения семейства моделей. Вместо того чтобы фокусироваться только на детекции, она добавила поддержку множества computer vision tasks, таких как сегментация экземпляров, классификация изображений, оценка позы и детекция с использованием ориентированных ограничивающих рамок (OBB). Она также привнесла архитектурные улучшения, включая передовые дизайны бэкенда и шеи (neck), что повысило качество извлечения 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 YOLO11 сфокусировалась на повышении производительности в реальных задачах, обеспечивая более высокую точность наряду с увеличенной скоростью инференса. Благодаря облегченной архитектуре она эффективно работает как в граничных (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.

Link to this sectionСравнение 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.

YOLOv8 была выпущена в 2023 году и с тех пор широко используется сообществом специалистов по компьютерному зрению. Сильная поддержка сообщества и простота использования сделали ее эталонной моделью для многих команд. Если ты ищешь хорошо задокументированную модель с большим количеством туториалов, руководств и ресурсов сообщества, YOLOv8 — отличная отправная точка.

В 2024 году была представлена YOLO11 с улучшениями производительности и 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, не требуя существенного увеличения ресурсов.

В этом году была выпущена YOLO26 как новейшая 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 достигать до 43% более быстрого инференса по сравнению с YOLO11 на центральных процессорах (CPU), что делает её отличным вариантом для граничных и ресурсоограниченных сред. Это особенно важно, так как традиционные настройки часто сильно зависят от графических процессоров (GPU), которые могут быть дорогостоящими и сложными в масштабировании.

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 sectionПодробный взгляд на Ultralytics YOLO26#

YOLO26 — это современная модель, разработанная для реального развертывания, где эффективность, скорость и масштабируемость важны не меньше, чем точность. Вместо того чтобы фокусироваться только на улучшении показателей в бенчмарках, она вводит архитектурные изменения и изменения в процессе обучения, которые упрощают запуск моделей, ускоряют их развертывание и повышают надежность в различных аппаратных средах.

Эти улучшения особенно важны для граничных и производственных систем, где ограниченные вычислительные ресурсы, требования по задержке и соображения стоимости играют ключевую роль. Упрощая инференс и оптимизируя производительность, YOLO26 позволяет энтузиастам AI более эффективно создавать и масштабировать приложения компьютерного зрения.

Вот подробнее о некоторых ключевых особенностях YOLO26:

• End-to-end NMS-free инференс: Одно из важнейших изменений — это дизайн, не требующий подавления немаксимумов (NMS-free), что исключает необходимость пост-процессинга. Простыми словами, модель выдает конечные предсказания напрямую. В результате задержка становится более предсказуемой, а развертывание — проще.
• Удаление DFL: В YOLO26 мы отказались от модуля Distribution Focal Loss (DFL) в пользу более простого подхода к предсказанию bbox. Это изменение соответствует ее end-to-end, NMS-free дизайну, что снижает сложность пайплайна и повышает стабильность развертывания.
• 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 инновации в обучении, такие как Progressive Loss Balancing (ProgLoss) и Small-Target-Aware Label Assignment (STAL), делают модель более стабильной и надежной. ProgLoss помогает модели обучаться на данных поэтапно, а STAL гарантирует, что мелкие объекты не игнорируются при обучении, улучшая детекцию в сложных сценах.

Link to this sectionТочность 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 YOLO26 в непредсказуемой среде, такой как строительная площадка.

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 YOLO26, могут обрабатывать больше потоков на том же оборудовании, более рационально используя имеющиеся ресурсы. Это повышает общую эффективность системы и упрощает масштабирование развертываний в будущем.

Чтобы углубиться в сравнение YOLO26, YOLO11 и YOLOv8, загляни в официальную документацию Ultralytics.

Link to this sectionОсновные 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 вариантами лицензирования. Ты также можешь посетить наши страницы решений, чтобы увидеть, как AI в производстве трансформирует заводы и как vision AI в робототехнике формирует будущее. Присоединяйся к нашему растущему сообществу и изучай наш GitHub репозиторий для получения ресурсов по AI.