YOLO11 YOLOv10: соединяя эволюцию и революцию в области обнаружения объектов в реальном времени

Ландшафт компьютерного зрения определяется быстрой итерацией и революционными скачками. YOLO11 и YOLOv10 представляют две различные философии в этой эволюции. В то время как YOLO11 устоявшуюся, надежную Ultralytics для максимальной универсальности и готовности к производству, YOLOv10 революционные концепции, такие как обучение NMS, которые с тех пор повлияли на более новые модели, такие как YOLO26.

В этом всестороннем сравнении рассматриваются архитектурные решения, показатели производительности и идеальные варианты использования обеих моделей, чтобы помочь разработчикам выбрать подходящий инструмент для своего следующего проекта в области компьютерного зрения.

Краткий обзор показателей эффективности

Обе модели обладают впечатляющими возможностями, но уделяют приоритетное внимание разным аспектам процесса вывода. В таблице ниже приведены основные показатели производительности на стандартных наборах данных.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Архитектурное Глубокое Погружение

YOLO11: универсальный мощный инструмент

YOLO11, выпущенный Ultralytics сентябре 2024 года, основан на результатах обширных реальных испытаний. Он использует усовершенствованную архитектуру backbone и neck, разработанную для обеспечения богатого набора функций, что позволяет ему превосходить другие системы не только в обнаружении объектов, но и в сложных последующих задачах, таких как сегментация экземпляров и оценка позы.

Ключевые архитектурные особенности включают:

Блок C3k2: усовершенствованная версия блока CSP, оптимизирующая поток градиента и эффективность параметров.
Улучшенное пространственное внимание: повышает способность модели фокусироваться на небольших или частично закрытых объектах, что является важным требованием для анализа аэрофотоснимков.
Конструкция без якорей: снижает сложность настройки гиперпараметров и улучшает обобщение по различным наборам данных.

Узнайте больше о YOLO11

YOLOv10: Пионер сквозных решений

YOLOv10, разработанный исследователями из Университета Цинхуа, попал в заголовки новостей благодаря устранению этапа постобработки Non-Maximum Suppression (NMS). Это изменение архитектуры устраняет давнюю проблему в процессе развертывания, когда NMS могла варьироваться непредсказуемо в зависимости от количества обнаруженных объектов.

Ключевые инновации включают:

ОбучениеNMS: Использование последовательных двойных заданий во время обучения позволяет модели точно предсказывать одно поле для каждого объекта, устраняя необходимость в NMS .
Комплексный дизайн, обеспечивающий эффективность и точность: архитектура включает в себя легкие классификационные головки и пространственно-канальное декуплированное понижающее дискретизирование для снижения вычислительных затрат.
Ранжированный блочный дизайн: оптимизирует этапы модели для уменьшения избыточности, снижая FLOP без потери точности.

Узнайте больше о YOLOv10

Экосистема и простота использования

Хотя сырые показатели важны, успех проекта часто зависит от опыта разработчиков.

Преимущество Ultralytics

YOLO11 неотъемлемой частью Ultralytics , предоставляя значительные преимущества для рабочих процессов предприятий и исследовательских организаций:

Единый API: один и тот же Python поддерживает обнаружение, сегментацию, классификацию, OBB и оценку позы. Переключение задач так же просто, как смена файла модели.
Интеграция платформы: беспрепятственное подключение к Ultralytics для управления наборами данных, визуализации тренировочных запусков и развертывания на периферийных устройствах.
Гибкость экспорта: встроенная поддержка экспорта в ONNX, TensorRT, CoreML и OpenVINO эффективную работу вашей модели на любом оборудовании.

Оптимизированный рабочий процесс

Использование Ultralytics означает, что вы тратите меньше времени на написание шаблонного кода и больше времени на решение специфических задач. Для обучения современной модели достаточно нескольких строк кода.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train on a custom dataset with minimal configuration
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

YOLOv10

YOLOv10 также YOLOv10 в Ultralytics , YOLOv10 позволяет пользователям использовать тот же удобный синтаксис. Однако, как академический вклад, он может не получать такие же частые обновления для конкретных задач (например, OBB или улучшения отслеживания) по сравнению с основными Ultralytics . Он служит отличным вариантом для чистых задач обнаружения, где архитектура NMS обеспечивает определенное преимущество по задержке.

Приложения в реальном мире

Выбор между этими моделями часто зависит от конкретных ограничений вашей среды развертывания.

Идеальные сценарии для YOLO11

Универсальность YOLO11 делает его предпочтительным выбором для сложных, многогранных приложений:

Умная розничная торговля: одновременное track (Pose) и мониторинг запасов на полках (Detection) для оптимизации планировки магазина и запасов.
Автономная робототехника: использование ориентированных ограничительных коробок (OBB) для помощи роботам в захвате объектов, которые не расположены идеально горизонтально.
Сельское хозяйство: Использование моделей сегментации для точной идентификации болезней растений на листьях, где простые ограничительные рамки были бы недостаточны.

Идеальные сценарии для YOLOv10

YOLOv10 в условиях, когда задержка постобработки является критическим препятствием:

Подсчет большого количества людей: в сценариях с сотнями объектов NMS работать медленно. Комплексная конструкция YOLOv10 обеспечивает стабильную скорость независимо от количества объектов.
Встроенные системы: для устройств с ограниченным количеством CPU для постобработки удаление NMS ценные ресурсы.

Заключение: какую модель вам следует выбрать?

YOLO11 остается самым надежным универсальным решением для большинства разработчиков. Благодаря балансу скорости, точности и поддержки множества задач машинного зрения, а также обширной Ultralytics , это решение является безопасным и мощным выбором для коммерческого использования.

YOLOv10 предлагает привлекательную альтернативу для определенных рабочих процессов, связанных исключительно с обнаружением, особенно в тех случаях, когда устранение NMS ощутимую выгоду в плане стабильности задержки.

Однако тем, кто ищет самые передовые технологии, мы рекомендуем ознакомиться с YOLO26. Выпущенная в январе 2026 года, YOLO26 эффективно объединяет лучшее из обоих миров: она использует сквозную конструкцию NMS, впервые примененную в YOLOv10 , сохраняя YOLOv10 богатство функций, универсальность задач и поддержку экосистемы YOLO11. Благодаря оптимизациям, таким как обучение MuSGD и удаление DFL, YOLO26 предлагает превосходную производительность как для периферийных, так и для облачных развертываний.

Узнайте больше о YOLO26

Другие модели для изучения

YOLO26: новейшая ультрасовременная модель от Ultralytics январь 2026 г.), отличающаяся архитектурой NMS и CPU .
YOLOv8: широко распространенный отраслевой стандарт, известный своей надежностью и широкой совместимостью.
RT-DETR: детектор на основе трансформатора, обеспечивающий высокую точность, идеально подходит для сценариев, в которых имеется достаточно GPU .
SAM : модель Meta Segment Anything, идеально подходящая для задач сегментации без обучения, когда данных для обучения мало.