Лучшие альтернативы Ultralytics YOLO в 2026 году: сравнение лицензий и моделей

Раскрытие информации: LibreYOLO — наш проект, и он стоит первым в этом списке. Остальные инструменты мы используем в реальной работе и отмечаем, в чём они превосходят LibreYOLO.

Большинство команд отказывается от Ultralytics по одной из трёх причин:

• Лицензия. Модели Ultralytics YOLO распространяются по AGPL-3.0 (YOLOv5 с 2023 года, а также все версии начиная с v8). Сценарий знаком: вы создаёте продукт и выпускаете его, после чего юристы или заказчик обращают внимание на модель. Приходится выбирать: открыть исходный код всего приложения или купить коммерческую лицензию. Копилефт AGPL распространяется на ваш код, как только вы распространяете приложение или предоставляете к нему доступ через сеть. Это одна из распространённых причин искать альтернативу.
• Открытость. Одна компания владеет моделями, кодом для обучения и условиями использования. Некоторым командам нужны веса и код под разрешительными лицензиями, чтобы строить на их основе свои решения без дополнительных согласований.
• Модель. Архитектура YOLO не всегда лучше всего подходит для конкретной задачи. Трансформерные детекторы реального времени, такие как RT-DETR, RF-DETR и D-FINE, могут обеспечивать более высокую точность при той же задержке. Сложность в том, что они разбросаны по исследовательским репозиториям. Как вы увидите, LibreYOLO запускает все три семейства через один API, поэтому это причина сменить библиотеку, а не переходить на какую-то одну модель.

Каждый инструмент ниже оценивается по трём критериям: можно ли выпускать продукт с этой лицензией, устанавливается ли инструмент и работает ли на актуальной версии PyTorch, а также экспортируется ли он для оборудования, на котором вы разворачиваете модель.

По ходу чтения повторяется одна закономерность: каждая альтернатива хороша сама по себе, но использовать её отдельно непросто. YOLOX с трудом устанавливается, MMDetection требует подбирать версии колёс, RT-DETR — это исследовательский код без поддержки, а Detectron2 заморожен с 2021 года. LibreYOLO стоит первым, потому что уже объединяет большинство этих инструментов в поддерживаемой библиотеке под MIT, на актуальном стеке и за единым привычным API. Это не столько пункт списка, сколько уровень над ним.

Кратко

1. LibreYOLO

Лицензия: MIT (код). Лучше всего подходит как самая полная библиотека YOLO под MIT и прямая замена Ultralytics.

LibreYOLO — библиотека YOLO под MIT, которая запускает все модели через один API. Это наш проект, и после знакомства с остальными инструментами его роль станет ясна: это единый центр для запуска альтернатив. LibreYOLO уже объединяет почти все сложные в использовании репозитории выше (YOLOX, RTMDet, RF-DETR, D-FINE, DEIM и семейство RT-DETR) в одном привычном, поддерживаемом API. Вы получаете доступ к моделям без изучения особенностей установки каждого репозитория и без лицензионных ограничений.

За этим стоит не только удобство. YOLO начиналась как открытое исследование: Darknet Джозефа Редмона, версии с v1 по v3, была бесплатной для всех, кто хотел её использовать и развивать. Эпоха AGPL ограничила эту доступность. LibreYOLO возвращает эту работу в общий доступ так, как задумывали её создатели: разрешительная лицензия, поддержка сообщества и никакой передачи данных разработчикам. Здесь две истории.

Первая: это альтернатива Ultralytics YOLO под MIT. В ней сохранён знакомый вам API, поэтому датасеты и скрипты в формате YOLO можно перенести с небольшими изменениями. При этом используется MIT вместо AGPL: копилефт не распространяется на ваш код, коммерческую лицензию покупать не нужно, а телеметрия не отправляется разработчикам, как это происходит в Ultralytics по умолчанию. Если вы пришли сюда из-за лицензии, в этом и состоит главное преимущество. YOLO9 и RF-DETR — тщательно протестированные модели, готовые к продакшену; остальные модели каталога новее и явно помечены как экспериментальные. Лучше сказать об этом прямо, чем делать вид, что все они прошли тщательную проверку.

from libreyolo import LibreYOLO

model = LibreYOLO("LibreYOLO9c.pt")   # or LibreRFDETRl.pt, LibreDFINEl.pt, ...
results = model("image.jpg", save=True)

Вторая: библиотека охватывает гораздо больше задач, чем Ultralytics. Один API объединяет более 20 семейств моделей: CNN YOLO, трансформерные DETR, бэкбоны ViT, SAM и другие, а не только модели одного поставщика. Кроме детекции доступны и другие задачи:

• Задачи: сегментация экземпляров и семантическая сегментация, оценка позы, классификация и повёрнутые рамки, а также две задачи, которых нет у Ultralytics: оценка монокулярной глубины (Depth Anything V2) и оценка направления взгляда (L2CS).
• Практические инструменты: трекинг нескольких объектов с постоянными идентификаторами (ByteTrack и OC-SORT), инференс видео с пропуском кадров и предпросмотром в реальном времени, потайловый инференс для снимков с дронов и спутников, браузерный интерфейс с перетаскиванием файлов (libreyolo ui) и команда doctor, которая проверяет датасет до запуска длительного обучения.
• Гибкие настройки обучения: накопление градиентов, заморозка слоёв, возобновление обучения, аугментация при тестировании, дообучение с LoRA/DoRA, обучение на нескольких GPU и журналирование через TensorBoard/MLflow/Weights & Biases.
• Экспорт: семь форматов (ONNX, TorchScript, TensorRT, OpenVINO, NCNN, CoreML, TFLite) с квантизацией INT8/FP16, встроенным NMS и метаданными модели.
• Запуск где угодно: библиотека принимает пути, URL, PIL, NumPy, тензоры и необработанные байты и работает на CUDA, Apple Silicon (MPS) или обычном CPU без изменений в коде.

Если собственный репозиторий сильного детектора заброшен или его сложно установить, LibreYOLO запускает его веса на актуальном стеке и поддерживает интеграцию.

2. RF-DETR

Лицензия: Apache-2.0 (Nano, Small, Medium, Large). Лучше всего подходит для продакшен-детекции и сегментации.

RF-DETR от Roboflow, представленный на ICLR 2026, — самая готовая к продакшену модель в этом списке. Она хорошо спроектирована командой, которая выпускает продукты. Если нужна надёжная детекция или сегментация для реальной системы, это отличный первый выбор. Пакет rfdetr и веса от Nano до Large распространяются по Apache-2.0. Для более крупных весов XL и 2XL используется лицензия Roboflow PML.

3. Lightly

Лучше всего подходит для неразмеченных данных, самообучаемого предобучения и дистилляции бэкбона DINO.

Lightly — не детектор. Он помогает использовать данные, которые вы ещё не разметили, и состоит из двух частей с разными лицензиями.

• lightly (LightlySSL), MIT. Набор компонентов для самообучаемого обучения: функции потерь, головы, аугментации, банки памяти и эталонные реализации более чем двадцати методов (SimCLR, MoCo, BYOL, DINO, DINOv2, MAE и других). Цикл обучения вы пишете сами, а библиотека предоставляет всё необходимое, чтобы с нуля предобучить представление на неразмеченных изображениях.
• LightlyTrain, AGPL-3.0 (есть бесплатный вариант для сообщества и коммерческие варианты). Готовый инструмент и рабочий процесс, который имеют в виду большинство пользователей. Укажите фундаментальную модель, например DINOv2 или DINOv3, и неразмеченные данные: инструмент дистиллирует бэкбон в меньшую модель, готовую к развёртыванию (YOLO, RT-DETR, ViT или пользовательскую сеть), — достаточно нескольких строк кода, разметка не нужна. Обратите внимание на лицензию: AGPL-3.0 распространяет тот же копилефт, из-за которого ищут альтернативы Ultralytics. Если вы собираетесь выпускать продукт с закрытым исходным кодом, изучите условия или выберите коммерческую лицензию.

Выбирайте Lightly, когда узкое место — хороший бэкбон, а размеченных данных нет. Этот инструмент дополняет детекторы из списка, а не конкурирует с ними. Это видно и на новейших моделях: RT-DETRv4 включает дистилляцию из фундаментальных моделей компьютерного зрения в процесс обучения, а DEIMv2 встраивает бэкбоны DINOv3 непосредственно в детектор.

4. YOLOX

Лицензия: Apache-2.0. Лучше всего подходит для детекции реального времени без якорей, если удастся установить.

Исходный репозиторий не обновлялся с последнего релиза v0.3.0 в апреле 2022 года, в нём открыто более 700 задач, а установка на стеке 2026 года затруднена. Файла pyproject.toml нет, а в requirements.txt закреплена версия onnx-simplifier==0.4.10, для которой нет готовых колёс новее Python 3.10. Поэтому в современной среде пакет собирается из исходников и требует cmake и инструментов для сборки C++. Версия NumPy не закреплена, что может привести к конфликту ABI NumPy 2.0 со старыми версиями pycocotools и torch. Основная детекция заработает после устранения цепочки зависимостей, но за это придётся заплатить временем.

Сама модель по-прежнему хороша: это детектор реального времени без якорей от Megvii, код и веса которого распространяются по Apache-2.0. Он остаётся разумной базовой моделью, хотя более новые детекторы уже обошли его. Сейчас программный агент может за один день восстановить заброшенный, но надёжный репозиторий, поэтому сложность установки — не такая непреодолимая преграда, как кажется. LibreYOLO также запускает веса YOLOX напрямую на актуальном стеке. В любом случае архитектура заслуживает внимания. Подробное руководство — здесь.

5. Экосистема MMDetection

Лицензия: преимущественно Apache-2.0. Лучше всего подходит для широкого выбора архитектур и воспроизведения статей.

Годами MMDetection содержал официальные реализации почти всех статей о детекции: Faster R-CNN, DINO, Grounding-DINO, RTMDet, Mask R-CNN и сотни конфигураций. В 2026 году OpenMMLab свернула линейку mm-проектов. Последний релиз MMDetection — это v3.3.0 в январе 2024 года; на вопросы не отвечают, а стек зависит от закреплённой версии mmcv, готовые колёса которой отстают от актуальных PyTorch и CUDA. Поэтому свежая установка часто ломается, пока не понизить версии всего стека. Подробнее об этой проблеме — здесь.

Нидерландская компания VBTI поддерживает проект. Их форк OneDL заново публикует весь стек с префиксом onedl- (onedl-mmdetection, onedl-mmcv, onedl-mmengine и остальные пакеты), адаптированный для актуальных PyTorch 2.x, CUDA и Python 3.10+. Это решает проблему закреплённых версий. Лицензия — Apache-2.0; проект активно поддерживается, версия v3.5.1 вышла в мае 2026 года. Если нужен широкий выбор архитектур MMDetection без сложностей с установкой, используйте этот форк. Команда небольшая, поэтому, если вы на него полагаетесь, вносите свой вклад.

Два связанных инструмента:

• Detectron2 (Meta, Apache-2.0) находится в режиме поддержки: с 2021 года не было релиза с тегом, последним был v0.6. При этом он надёжен и остаётся лучшим источником Mask R-CNN и моделей семейства R-CNN для сегментации экземпляров и паноптической сегментации.
• TorchVision (BSD-3-Clause, активная поддержка) включает Faster R-CNN, RetinaNet, FCOS, SSD, Mask R-CNN и Keypoint R-CNN. Современных YOLO или DETR нет, цикл обучения нужно писать самостоятельно, но это базовый вариант без дополнительных зависимостей.

Предупреждение для коммерческого использования: MMYOLO, центр реализации YOLO от OpenMMLab, распространяется по GPL-3.0, а не Apache-2.0, и не обновлялся с августа 2023 года.

6. Семейство RT-DETR

Лицензия: Apache-2.0 для всех моделей. Лучше всего подходит для передовой детекции реального времени с исследовательским уровнем поддержки кода.

Передовые модели детекции реального времени — это группа связанных трансформерных детекторов, а не YOLO. Большинство из них происходят от RT-DETR, используют значительную часть того же кода бэкбона и энкодера и почти все распространяются по Apache-2.0, поэтому перейти с одной модели на другую легко. Большинство поддерживает только детекцию. Исключение — EdgeCrafter, который применяет те же идеи дистилляции для сегментации и оценки позы. Общая сложность в том, что все эти проекты исследовательские: обучение настраивается через конфигурационные файлы, эргономика отличается от Ultralytics, канала поддержки нет. Модели сильные, а экспорт в ONNX и TensorRT обычно поддерживается на высоком уровне.

• D-FINE (USTC, Spotlight на ICLR 2025). Переформулирует регрессию ограничивающих рамок как уточнение распределения с само-дистилляцией. Обеспечивает высокую точность при заданной задержке (D-FINE-X достигает около 55.8 AP за 13 ms на T4), доступен в размерах от N до X и интегрирован в Hugging Face Transformers. Поэтому его проще всего в этом списке загружать и дообучать вне собственного репозитория.
• DEIM и DEIMv2 (Intellindust AI Lab). DEIM (CVPR 2025) — это рецепт обучения с Dense O2O matching, который подключается к D-FINE или RT-DETRv2 и примерно вдвое сокращает время обучения. DEIMv2 добавляет признаки DINOv3 и предлагает мобильный уровень Atto с менее чем 1M параметров; DEIMv2-S — это первая модель менее чем с 10M параметров, преодолевшая 50 AP. Проект активно поддерживается и обновлялся в 2026 году.
• EdgeCrafter (Intellindust AI Lab, 2026). Новейшая работа той же лаборатории и единственная модель в списке, которая выходит за рамки детекции: поддерживает детекцию (ECDet), сегментацию экземпляров (ECSeg) и оценку позы (ECPose), каждая задача доступна в размерах S/M/L/X, все модели под Apache-2.0. Большая ViT-модель, предобученная на DINOv3, используется как специализированный для задачи учитель, который дистиллирует компактные студенческие бэкбоны для периферийных устройств. Результаты впечатляют для моделей такого размера: ECDet-S достигает 51.7 AP при менее чем 10M параметров только на COCO, ECPose-X достигает 74.8 AP (выше, чем 71.6 у YOLO26Pose-X), а сегментация экземпляров конкурирует с RF-DETR. Модель только появилась, поэтому считайте её исследовательским релизом. Но это редкая компактная модель, которая охватывает все три задачи.
• RT-DETR и RT-DETRv2 (Baidu). Исходная работа «DETR превосходят YOLO в детекции реального времени» (CVPR 2024) и начало семейства: без NMS, сквозное обучение, удобный экспорт. RT-DETRv2 — обновление 2024 года с набором бесплатных улучшений, которое можно использовать вместо исходной модели при той же задержке. В репозитории собраны оригинальная версия для Paddle и канонический порт для PyTorch; модель также есть в HF Transformers.
• RT-DETRv3 (Baidu, устный доклад на WACV 2025) и RT-DETRv4 (Пекинский университет и Университет Цинхуа, конец 2025 года). v3 доступен только для PaddlePaddle. v4 — это лучшая на сегодня модель семейства (версия X близка к 57 AP), работает на PyTorch и дистиллирует фундаментальную модель компьютерного зрения в лёгкий детектор без дополнительных затрат на инференс. Изменив конфигурацию, в этом коде также можно воспроизвести D-FINE, DEIM и RT-DETRv2.
• LW-DETR (Baidu). Обычный DETR на базе ViT, представленный как трансформерная замена YOLO. Размеры: от tiny до xlarge; поддерживается экспорт в ONNX и TensorRT. На его основе также создана модель детекции с открытым словарём OVLW-DETR. В последнее время активность снизилась; считайте проект стабильным исследовательским релизом.

LibreYOLO уже объединяет многие из этих моделей (D-FINE, DEIM, DEIMv2, RT-DETRv2, RT-DETRv4, RTMDet, EdgeCrafter) через один API; наиболее тщательно протестированы YOLO9 и RF-DETR. За эталонными реализациями и новейшими исследовательскими чекпойнтами обращайтесь к исходным репозиториям выше.

FAQ

Можно ли бесплатно использовать Ultralytics YOLO в коммерческих проектах? Только по AGPL-3.0: эта лицензия требует публиковать исходный код созданного на основе модели приложения, включая сетевые сервисы. Для коммерческого использования с закрытым исходным кодом нужна платная коммерческая лицензия Ultralytics. Разрешительные лицензии (MIT, Apache-2.0) позволяют этого избежать.

Какая альтернатива Ultralytics лучше всего подходит с точки зрения лицензии? Для стека под разрешительными лицензиями, который можно использовать где угодно: LibreYOLO (код под MIT), RF-DETR (Apache-2.0) и YOLOX (Apache-2.0). Ни одна из них не распространяет копилефт AGPL.

Что приходит на смену YOLO в 2026 году? Всё чаще на смену приходят трансформерные детекторы реального времени: RT-DETR, RF-DETR, а также линейка D-FINE и DEIM. На подходящем оборудовании они обеспечивают такую же или более высокую точность при сопоставимой задержке. CNN-модели в стиле YOLO по-прежнему выигрывают на небольших периферийных устройствах: трансформеры там работают плохо, а зрелого пути для NCNN или CPU нет.

Можно ли запускать эти модели на Raspberry Pi или NPU? Это зависит от возможностей экспорта. CNN-детекторы, например YOLOX и RTMDet, экспортируются в NCNN и работают на Raspberry Pi; некоторые из них (YOLOX) работают и на NPU Hailo. Трансформерные детекторы, например RF-DETR, так не запустить: им нужен GPU или мощный CPU.

Попробуйте

pip install libreyolo

from libreyolo import LibreYOLO

model = LibreYOLO("LibreRFDETRl.pt")
results = model("image.jpg", save=True)
print(results[0].boxes.xyxy)
print(results[0].boxes.conf)

LibreYOLO распространяется по лицензии MIT, работает на Linux, Mac и Windows, а также на GPU, Apple Silicon и обычном CPU без изменений в коде. Один API объединяет RF-DETR, D-FINE, DEIM, YOLOX, YOLO-NAS, RTMDet, RT-DETR, EdgeCrafter и другие модели для детекции, сегментации, оценки позы, классификации, оценки глубины и взгляда, а также трекинга.

Поставьте звезду на GitHub: github.com/LibreYOLO/libreyolo | Документация: libreyolo.com/docs