Najlepsze alternatywy dla YOLOv8 w 2026: RF-DETR i YOLO-NAS
COCO to standardowy punkt odniesienia przy wyborze detektora. Można też sprawdzić, jak dobrze model dostraja się na innych danych. Mierzy to RF100-VL: checkpoint wstępnie wytrenowany na COCO jest trenowany przez 100 epok na każdym ze 100 zbiorów danych, a następnie oceniany na każdym podziale testowym. Podawany wynik to średnia mAP50-95.
YOLOv8m uzyskuje tam wynik 56.9, jak podano w aneksie do artykułu. W pomiarach uzyskano wyższe wyniki dla dwóch modeli: RF-DETR i YOLO-NAS. Surowe wyniki można znaleźć w huggingface.co/datasets/LibreYOLO/rf100-vl-results.
RF-DETR
RF-DETR-S uzyskuje wynik 60.41, a RF-DETR-M 61.13 w kampanii LibreYOLO. Roboflow podaje odpowiednio 60.2 i 61.2. Warianty od Nano do Large są objęte licencją Apache-2.0.
from libreyolo import LibreYOLO
model = LibreYOLO("LibreRFDETRs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=512, batch=8)
Dokumentacja | Wagi | Uruchomienie 20260814-rfdetr-s-1b1190ee
YOLO-NAS
YOLO-NAS-S uzyskuje wynik 58.00 i jest wariantem konwolucyjnym dla osób szukających CNN w stylu YOLO. Opublikowanych przez Deci wag nie można używać komercyjnie. LibreYOLO nie udostępnia tych wag. Szczegóły: YOLO-NAS jest nadal utrzymywany.
from libreyolo import LibreYOLO
model = LibreYOLO("LibreYOLONASs.pt")
model.train(data="my-dataset.yaml", epochs=100, imgsz=640, batch=16)
Dokumentacja | Uruchomienie 20260809-yolonas-s-02926964
Zainstaluj pakiet przez pip install "libreyolo[rfdetr]" dla RF-DETR albo pip install libreyolo dla YOLO-NAS. Strona kampanii: RF100-VL.