YOLO11 против YOLOv10#

Ландшафт компьютерного зрения в реальном времени постоянно меняется: новые архитектуры расширяют границы возможного как на периферийных устройствах, так и в облачной инфраструктуре. В этом подробном техническом анализе мы рассмотрим различия между двумя ключевыми моделями в этой области: Ultralytics YOLO11 и YOLOv10. Обе модели представляют собой значительный прорыв в возможностях детектирования объектов, однако для достижения высокой производительности они используют принципиально разные архитектурные подходы.

Разбор архитектуры YOLO11#

Сведения о YOLO11:

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: https://docs.ultralytics.com/models/yolo11

Представленная как универсальная мощная модель, YOLO11 опирается на многолетние фундаментальные исследования в области компьютерного зрения и ИИ. В основе архитектуры YOLO11 лежит ориентация на богатство признаков и исключительную универсальность для решения множества задач компьютерного зрения.

Одно из ключевых улучшений YOLO11 — реализация блока C3k2. Этот усовершенствованный узкий модуль оптимизирует прохождение градиентов по сети, значительно повышая эффективность использования параметров при сохранении высокой точности. Кроме того, YOLO11 использует улучшенный механизм пространственного внимания, который особенно важен для обнаружения небольших или частично закрытых объектов. Благодаря этому модель отлично подходит для сценариев использования аэрофотоснимков и подробного анализа медицинских изображений.

YOLO11 использует безанкорную архитектуру, которая снижает сложность настройки гиперпараметров и обеспечивает устойчивое обобщение на огромном разнообразии пользовательских наборов данных. Кроме того, требования к памяти во время обучения значительно ниже, чем у архитектур на основе Transformer, что позволяет исследователям эффективно обучать большие модели на стандартном пользовательском оборудовании.

Изучение архитектуры YOLOv10#

Сведения о YOLOv10:

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• Документация: https://docs.ultralytics.com/models/yolov10

Разработанная исследователями Университета Цинхуа, YOLOv10 стала новаторской моделью семейства YOLO с поддержкой сквозной обработки. Отличительная особенность YOLOv10 — методология обучения без NMS. Благодаря согласованному двойному сопоставлению на этапе обучения модель естественным образом предсказывает ровно один ограничивающий прямоугольник для каждого объекта. Этот прорыв полностью устраняет необходимость в подавлении немаксимумов (NMS) во время инференса — этапе постобработки, который исторически создавал узкие места по задержке в конвейерах развертывания.

Архитектура также реализует целостную стратегию повышения эффективности и точности. В ней используются пространственно-канально раздельное уменьшение разрешения и архитектуры блоков с учетом ранга, которые выборочно сокращают избыточность на этапах сети. В результате уменьшается количество FLOPs и вычислительная нагрузка без существенного снижения средней точности (mAP). Для приложений реального времени, где важна каждая миллисекунда, удаление NMS обеспечивает детерминированный граф инференса, отлично подходящий для периферийных ИИ-устройств.

Узнай больше о YOLOv10

Метрики производительности и бенчмарки#

При оценке этих двух моделей мы учитываем баланс между точностью, количеством параметров и скоростью. В следующей таблице показано их сравнение в различных масштабах на наборе данных COCO.

Как видно из метрик производительности YOLO, YOLO11 обычно достигает немного более высоких значений mAP в разных вариантах, особенно среди крупных моделей. Безанкорная архитектура YOLOv10 обеспечивает очень стабильное сквозное время инференса, однако YOLO11 по-прежнему демонстрирует исключительную пропускную способность при оптимизации с помощью TensorRT на оборудовании NVIDIA.

Преимущества экосистемы Ultralytics#

Хотя отдельные метрики производительности важны, практический успех проекта машинного обучения определяется окружающей экосистемой. Именно здесь YOLO11, являясь нативной частью экосистемы Ultralytics, действительно раскрывает свои преимущества.

Платформа Ultralytics предлагает невероятно удобный пользовательский интерфейс. С помощью простого унифицированного Python API разработчики могут решать задачи, выходящие за рамки обычного обнаружения ограничивающих прямоугольников. YOLO11 изначально поддерживает сегментацию экземпляров, оценку позы, классификацию изображений и обнаружение с помощью ориентированных ограничивающих прямоугольников (OBB). Такой впечатляющей универсальности часто не хватает специализированным исследовательским репозиториям.

Кроме того, экосистема подкреплена обширной документацией и активной поддержкой сообщества. Интеграции с такими инструментами, как Weights & Biases для отслеживания экспериментов и OpenVINO для оптимизации на оборудовании Intel, напрямую встроены в библиотеку. Обучение модели требует минимального объема шаблонного кода и использует высокоэффективные процессы обучения, которым требуется меньше памяти CUDA, чем тяжелым моделям на основе Transformer, таким как RT-DETR.

Практический пример кода#

Обучение и запуск инференса с Ultralytics разработаны максимально интуитивно. Один и тот же API без труда работает как с YOLO11, так и с YOLOv10.

from ultralytics import YOLO

# Initialize the model (YOLO11n or YOLOv10n)
model = YOLO("yolo11n.pt")

# Train the model efficiently on a custom dataset
# Ultralytics automatically handles hyperparameters and memory optimization
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Run inference on an image
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Display the detected objects
inference_results[0].show()

Варианты применения и рекомендации#

Выбор между YOLO11 и YOLOv10 зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLO11#

YOLO11 — отличный выбор для:

• Промышленного развертывания на периферийных устройствах: коммерческих приложений на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где особенно важны надежность и активная поддержка.
• Многоцелевых приложений компьютерного зрения: проектов, которым в рамках единого унифицированного фреймворка требуются детектирование, сегментация, оценка позы и OBB.
• Быстрого прототипирования и развертывания: команд, которым нужно быстро перейти от сбора данных к промышленной эксплуатации с помощью оптимизированного Ultralytics Python API.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для:

• Обнаружения объектов в реальном времени без NMS: приложений, которым полезно сквозное обнаружение без подавления немаксимумов, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: проектов, требующих удачного баланса между скоростью инференса и точностью обнаружения для моделей разных размеров.
• Приложений со стабильной задержкой: сценариев развертывания, где критически важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Следующее поколение: YOLO26#

В то время как YOLOv10 представила революционную парадигму без NMS, а YOLO11 довела универсальность для разных задач до совершенства, область ИИ развивается стремительно. Разработчикам, которые сегодня начинают новые промышленные развертывания, мы настоятельно рекомендуем изучить Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 объединяет лучшие стороны обоих подходов. Она изначально использует сквозную архитектуру без NMS, впервые представленную в YOLOv10, что значительно упрощает конвейер развертывания и обеспечивает стабильную задержку. Кроме того, YOLO26 содержит специализированные оптимизации для периферийных вычислений. Благодаря удалению DFL (удалению Distribution Focal Loss) архитектура упрощает экспорт и обеспечивает инференс на CPU до 43% быстрее, чем устаревшие модели, что делает ее оптимальным выбором для маломощных устройств IoT и мобильных приложений.

YOLO26 также переносит стабильность обучения Large Language Model (LLM) в компьютерное зрение благодаря инновационному оптимизатору MuSGD — гибридному решению, вдохновленному передовыми исследованиями в области ИИ. В сочетании с функциями потерь ProgLoss + STAL YOLO26 обеспечивает непревзойденную точность на небольших объектах, что особенно важно для подробного детектирования на видео с дорожным движением и сложной роботизированной автоматизации.

Заключение#

Выбор подходящей модели компьютерного зрения зависит от конкретных эксплуатационных ограничений. YOLOv10 стала важной вехой в академических исследованиях, доказав, что NMS можно эффективно исключить из конвейера детектирования. Однако для оптимального сочетания производительности, универсальности задач и удобных инструментов развертывания YOLO11 предлагает надежное решение, готовое к использованию в корпоративной среде.

Инженерам, которым нужен самый передовой вариант — сочетающий простоту сквозной обработки с исключительно высокой скоростью на периферийных устройствах, — мы настоятельно рекомендуем перейти на новейшую версию YOLO26. Используя все возможности платформы Ultralytics, ты обеспечишь создание проектов на основе хорошо поддерживаемой, высокоэффективной и рассчитанной на будущее платформы.