YOLOv6.YOLOv6 vs.YOLO: Ein technischer Showdown in der Echtzeit-Objekterkennung

Die Landschaft der Computervision entwickelt sich ständig weiter, wobei neue Architekturen die Grenzen des Möglichen in der Echtzeit-Objekterkennung erweitern. Zwei bemerkenswerte Konkurrenten in diesem Bereich sind YOLOv6. YOLOv6 undYOLO. Beide Modelle verfügen über einzigartige architektonische Innovationen, die darauf ausgelegt sind, die Leistung auf industrieller Hardware zu maximieren. Dieser Leitfaden bietet einen umfassenden technischen Vergleich zwischen diesen beiden Modellen, untersucht ihre Architekturen, Trainingsmethoden und idealen Anwendungsfälle und stellt gleichzeitig die Vorteile der nächsten Generation von Ultralytics wie YOLO26 vor.

Modellprofile

YOLOv6.0: Durchsatz auf Industrie-Niveau

YOLOv6. YOLOv6 wurde von der Vision-AI-Abteilung bei Meituan entwickelt und speziell für industrielle Anwendungen mit hohem Durchsatz konzipiert. Der Schwerpunkt liegt dabei auf der Maximierung der Leistung auf Hardware-Beschleunigern wie NVIDIA .

Autoren: Chuyi Li, Lulu Li, Yifei Geng, et al.
Organisation: Meituan
Datum: 2023-01-13
Arxiv:2301.05586
GitHub:meituan/YOLOv6
Dokumentation:Ultralytics YOLOv6 Dokumentation

YOLOv6 führt ein bidirektionales Verkettungsmodul (BiC) ein, um die Merkmalsfusion zu verbessern, und nutzt eine ankergestützte Trainingsstrategie (AAT). Diese Strategie kombiniert die Vorteile von ankerbasierten und ankerfreien Detektoren während des Trainings, während die Inferenz streng ankerfrei bleibt. Dank seines EfficientRep-Backbones ist es äußerst hardwarefreundlich für GPU und eignet sich ideal für die Verarbeitung großer Mengen von Daten zum Verständnis von Videos.

Erfahren Sie mehr über YOLOv6

YOLO: Schnell und präzise über NAS

YOLO wurde von der Alibaba Group entwickelt undYOLO Neural Architecture Search (NAS), um automatisch die effizientesten Backbone-Strukturen für Echtzeit-Inferenz zu ermitteln.

Autoren: Xianzhe Xu, Yiqi Jiang, Weihua Chen, et al.
Organisation: Alibaba Group
Datum: 2022-11-23
Arxiv:2211.15444v2
GitHub:tinyvision/DAMO-YOLO

YOLO durch sein RepGFPN (Reparameterized Generalized Feature Pyramid Network) für eine effiziente Fusion von Merkmalen auf mehreren Ebenen und sein ZeroHead-Design aus, das den Rechenaufwand im Erkennungskopf erheblich reduziert. Es umfasst außerdem die AlignedOTA-Labelzuweisung und robuste Techniken zur Wissensdestillation, um die Genauigkeit zu steigern, ohne die Parameteranzahl des Modells zu erhöhen.

Erfahren Sie mehr über DAMO-YOLO

Destillationskopf

YOLO zwar eine hervorragende Genauigkeit, ist jedoch während des Trainings stark auf Wissensdestillation angewiesen, was ein wesentlich größeres „Lehrer”-Modell erfordert. Dadurch erhöht sich der während der Trainingsphase benötigte CUDA im Vergleich zu einfacheren Architekturen erheblich.

Leistungsvergleich

Bei der Bewertung von Objekterkennungsmodellen ist das Gleichgewicht zwischen mittlerer durchschnittlicher Präzision (mAP) und Inferenzgeschwindigkeit von entscheidender Bedeutung. Nachfolgend finden Sie einen detaillierten Vergleich zwischen YOLOv6.0 undYOLO verschiedene Modellskalen.

Modell	Größe ^(Pixel)	mAP^val 50-95	Geschwindigkeit ^{CPU ONNX (ms)}	Geschwindigkeit ^{T4 TensorRT10 (ms)}	Parameter ^(M)	FLOPs ^(B)
YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

DAMO-YOLOt	640	42.0	-	2.32	8.5	18.1
DAMO-YOLOs	640	46.0	-	3.45	16.3	37.8
DAMO-YOLOm	640	49.2	-	5.09	28.2	61.8
DAMO-YOLOl	640	50.8	-	7.18	42.1	97.3

YOLOv6.YOLOv6 zeigt außergewöhnliche Geschwindigkeit auf NVIDIA unter Verwendung von TensorRT Optimierungen, insbesondere in seinen Nano- und Small-Varianten. Die NAS-optimierten BackbonesYOLO benötigen jedoch tendenziell weniger FLOPs im mittleren und großen Maßstab, was zu leichten Latenzvorteilen bei größeren Bereitstellungen führt.

Ultralytics von Ultralytics : Geben Sie YOLO26 ein

YOLOv6. YOLOv6 undYOLO zwar leistungsstarke Tools, doch Entwickler stehen oft vor Herausforderungen wie komplexen Bereitstellungspipelines, hohen Speicheranforderungen während des Trainings und starren Architekturen für einzelne Aufgaben. Das Ultralytics bietet eine deutlich optimierte Entwicklererfahrung.

Mit der Veröffentlichung von YOLO26 Ultralytics die modernste Bildverarbeitungs-KI neu definiert. Ultralytics wurde im Januar 2026 veröffentlicht und setzt neue Maßstäbe in Sachen Effizienz und Vielseitigkeit.

Wichtige Neuerungen in YOLO26

End-to-End-Design NMS: Aufbauend auf den in YOLOv10entwickelt wurde, verzichtet YOLO26 von Haus aus auf die Nachbearbeitung mit Non-Maximum Suppression (NMS). Dies reduziert die Latenzschwankungen drastisch und vereinfacht die Bereitstellung auf Edge-Geräten über CoreML oder TFLite.
DFL-Entfernung: Durch die Entfernung von Distribution Focal Loss vereinfacht YOLO26 den Exportprozess und verbessert die Kompatibilität mit Mikrocontrollern mit geringem Stromverbrauch und Edge-Hardware erheblich.
Bis zu 43 % schnellere CPU : Für Anwendungen ohne dedizierte GPU bieten CPU von YOLO26 eine beispiellose Geschwindigkeit und übertreffen damit stark GPU Modelle wie YOLOv6.
MuSGD-Optimierer: Inspiriert von LLM-Trainingstechniken wie Moonshot AI's Kimi K2 nutzt YOLO26 den MuSGD-Optimierer (eine Mischung aus SGD Muon), um ein stabiles Training und eine schnelle Konvergenz zu gewährleisten.
ProgLoss + STAL: Fortschrittliche Verlustfunktionen verbessern die Erkennung kleiner Objekte erheblich, wodurch sich YOLO26 perfekt für Drohneneinsätze und die Verfolgung entfernter Ziele eignet.
Vielseitigkeit bei mehreren Aufgaben: Im Gegensatz zuYOLO, das ausschließlich als Detektor dient, bietet YOLO26 sofortige Unterstützung für Instanzsegmentierung, Posenschätzung (über Residual Log-Likelihood Estimation) und Oriented Bounding Boxes (OBB) innerhalb einer einzigen, einheitlichen API.

Erfahren Sie mehr über YOLO26

Speichereffizientes Training

Im Gegensatz zu komplexen Transformatorarchitekturen wie RT-DETR oder die destillationslastigen Pipelines vonYOLO sind Ultralytics für ihren geringen VRAM-Speicherbedarf bekannt. Sie können ein YOLO26-Modell ganz einfach auf handelsüblicher Hardware trainieren.

Optimierter Python

Das Trainieren und Bereitstellen modernster Modelle sollte nicht Hunderte von Zeilen Standardcode erfordern. Das Ultralytics Python vereinfacht den Lebenszyklus des maschinellen Lernens.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with built-in data handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast inference and display results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Export seamlessly to ONNX or TensorRT
model.export(format="onnx")

Ideale Anwendungsfälle

Die Wahl der richtigen Architektur hängt vollständig von Ihren Bereitstellungsbeschränkungen ab:

Wann sollte YOLOv6.0 verwendet werden?

High-Batch-Videoanalyse: Hervorragend geeignet für die Verarbeitung dichter Videostreams auf GPU in Unternehmen, auf denen TensorRT voll genutzt werden TensorRT .
Industrielle Automatisierung: Hochgeschwindigkeits-Fertigungslinien zur Fehlererkennung im Rahmen der Qualitätskontrolle.

Wann sollteYOLO verwendet werden?

Kundenspezifisches Silizium: Erforschung der neuronalen Architektur Suche nach spezifischer, proprietärer NPU-Hardware.
Akademische Forschung: Benchmarking neuartiger Techniken zur Wissensdestillation für Echtzeitnetzwerke.

Wann sollte Ultralytics verwendet werden?

Edge- und Mobile-Bereitstellungen: Das NMS Design, die Entfernung von DFL und CPU um 43 % höhere CPU machen es zum unangefochtenen Champion für iOS, Android und Raspberry Pi- Integrationen.
Schnelle Prototypenentwicklung bis zur Produktion: Durch die nahtlose Integration in die Ultralytics können Teams innerhalb weniger Tage statt Monate von der Datensatzannotation zur globalen Cloud-Bereitstellung übergehen.
Komplexe Vision-Pipelines: Wenn ein Projekt die gleichzeitige Erkennung von Begrenzungsrahmen neben menschlichen Positionsschlüsselpunkten und präzisen Segmentierungsmasken erfordert.

Fazit

Sowohl YOLOv6. YOLOv6 als auchYOLO einen bedeutenden Beitrag zur Wissenschaft der Echtzeit-Objekterkennung geleistet. YOLOv6 GPU YOLOv6 , währendYOLO die Leistungsfähigkeit der automatisierten ArchitektursucheYOLO .

Für Entwickler, die die ultimative Kombination aus Genauigkeit, Inferenzgeschwindigkeit und Wartbarkeit des Ökosystems suchen, ist jedoch das Ultralytics YOLO Familie nach wie vor die erste Wahl. Dank der bahnbrechenden Optimierungen in YOLO26 ist die Einstiegshürde für die Erstellung von Computer-Vision-Anwendungen auf Unternehmensebene so niedrig wie nie zuvor.

Für weitere Informationen könnte es für Sie interessant sein, diese Modelle mit anderen Architekturen in unserer Dokumentation zu vergleichen, wie beispielsweise YOLO11 oder transformatorbasierte Ansätze wie RT-DETR.