Выбери размер модели Ultralytics YOLO
Сравни версии YOLO26 n, s, m, l и x, проверь их на целевом оборудовании и выбери самую маленькую версию, укладывающуюся в допустимую задержку.
Выбери слишком большую модель — и приложение для камеры с частотой 30 FPS будет работать на 12 FPS. Выбери слишком маленькую — и потеряешь точность, которую более крупная модель могла бы обеспечить без дополнительных затрат на GPU. Поскольку размер модели для обучения определяет размер модели при развёртывании, это решение нужно принять до длительного запуска обучения.
YOLO26 выпускается в пяти размерах — n, s, m, l и x — для всех семи задач: обнаружения объектов, сегментации, семантической сегментации, классификации, оценки позы, OBB и оценки глубины. В этом уроке ты переведёшь целевую частоту кадров в бюджет времени в миллисекундах, измеришь производительность двух размеров на своём компьютере с помощью режима Benchmark и выберешь подходящий.
Практические занятия
Знакомство с линейкой моделей#
Это официальные показатели обнаружения объектов на COCO из документации YOLO26, измеренные при размере изображения 640 пикселей:
| Модель | Параметры (млн) | FLOPs (млрд) | mAP50-95 | CPU ONNX (мс) | T4 TensorRT10 (мс) |
|---|---|---|---|---|---|
yolo26n | 2.4 | 5.5 | 40.9 | 38.9 | 1.7 |
yolo26s | 9.5 | 20.9 | 48.6 | 87.2 | 2.5 |
yolo26m | 20.4 | 68.4 | 53.1 | 220.0 | 4.7 |
yolo26l | 24.8 | 86.8 | 55.0 | 286.2 | 6.2 |
yolo26x | 55.7 | 194.4 | 57.5 | 525.8 | 11.8 |
Для каждой задачи доступны модели всех размеров — достаточно заменить суффикс, например в yolo26s-seg.pt, yolo26s-sem.pt, yolo26s-depth.pt, yolo26s-cls.pt, yolo26s-pose.pt или yolo26s-obb.pt. Переходишь со старого проекта? В сравнении YOLO11 и YOLO26 показано, что изменилось.
Читай таблицу так: «Сколько стоит переход на следующий размер?»:
| Переход | Прирост mAP | Дополнительные FLOPs | Множитель задержки на CPU |
|---|---|---|---|
| n → s | +7.7 | ×3.8 | ×2.2 |
| s → m | +4.5 | ×3.3 | ×2.5 |
| m → l | +1.9 | ×1.3 | ×1.3 |
| l → x | +2.5 | ×2.2 | ×1.8 |
Первый переход выгоднее всего; после m каждый дополнительный пункт точности на COCO обходится дорого. При этом COCO с 80 разнообразными классами сложнее большинства реальных проектов: на узкоспециализированной задаче, например обнаружении одного товара на конвейере, n и s часто уступают m не более одного пункта.
Начни с бюджета#
Бюджет задержки инференса составляет 1000 мс ÷ целевая частота кадров (FPS); модель должна делить его на декодирование, отрисовку и выполнение собственной логики приложения. Типичные варианты для начала:
| Целевой показатель | Начни с |
|---|---|
| Телефон, Raspberry Pi, браузер или другое компактное устройство для периферийного ИИ | n |
| CPU ноутбука или настольного компьютера, 10–30 FPS | n, затем s, если есть запас по производительности |
| Одна GPU, видео в реальном времени | s или m |
| Пакетная обработка офлайн, точность на первом месте | l или x |
Пример: измеряем два размера#
В режиме бенчмарка модель экспортируется, проверяется на coco8, а время инференса измеряется на твоём компьютере. format=onnx ограничивает запуск одним форматом, поэтому он занимает всего несколько секунд; если убрать этот параметр, можно сравнить все форматы экспорта.
yolo benchmark model=yolo26n.pt imgsz=640 format=onnx
yolo benchmark model=yolo26s.pt imgsz=640 format=onnxРеальные результаты на CPU ноутбука Apple M5 Pro:
| Format Status❔ Size (MB) metrics/mAP50-95(B) Inference time (ms/im) FPS |
| 1 ONNX ✅ 9.5 0.6693 13.87 72.08 | <- yolo26n
| 1 ONNX ✅ 36.5 0.6654 30.87 32.39 | <- yolo26sСравним их с бюджетом 30 FPS (33 мс):
yolo26n, 13.87 мс: укладывается в бюджет, оставляя 19 мс на декодирование и отрисовку.yolo26s, 30.87 мс: формально укладывается, но на всё остальное времени не остаётся. На том же бенчмарке результат составил 60 мс, когда на компьютере выполнялись другие задачи.Size (MB): размер файла ONNX, важный для загрузки приложения и использования памяти на мобильном устройстве.metrics/mAP50-95(B): здесь его можно не учитывать. Вcoco8всего четыре изображения для валидации: этого достаточно, чтобы убедиться, что экспорт работает, но слишком мало для сравнения точности.
Решение: сначала обучай yolo26n, а yolo26s оставь в качестве запасного варианта с меньшим imgsz.
Избегай этих ошибок#
Симптом: модель, которая работала на ноутбуке со скоростью 70 FPS, на граничном устройстве работает со скоростью 8 FPS. Решение: проводи бенчмаркинг на устройстве, где будет работать модель, при реалистичной нагрузке — с другими процессами, декодированием видео с камеры и фактическим форматом рантайма.
Симптом: в заметках написано: «s работала быстрее, чем n». Причина: в одном из запусков использовался imgsz=480 или другой формат. Решение: сравнивай модели разных размеров при одинаковых imgsz, формате и размере батча, меняя за раз только одну переменную.
Не обучай x, планируя позже уменьшить её до n с помощью прунинга модели или квантования: для меньшей архитектуры придётся обучать модель заново. Сначала выбери размер; воспринимай квантование как дополнительное ускорение подходящей модели, а не как её замену.
Более глубокая настройка задержки — пакетная обработка, квантование и выбор среды выполнения — рассматривается в разделе Настройка стоимости и задержки курса по продакшену, а в руководстве по метрикам производительности объясняется каждая метрика точности.
Показать решение
Budget: 30 FPS on a laptop CPU -> 33 ms per frame, shared with decode and drawing
Measured: ONNX at 640 -> yolo26n 13.9 ms (19 ms headroom), yolo26s 30.9 ms (none; 60 ms under load)
Decision: train yolo26n first. If accuracy on our val set falls short,
try yolo26s at imgsz=480 and re-benchmark before committing.