YOLO11 против YOLOv10#

Ландшафт компьютерного зрения в реальном времени постоянно развивается: новые архитектуры расширяют границы возможного как на периферийных устройствах, так и в облачной инфраструктуре. В этом подробном техническом анализе мы исследуем нюансы между двумя ключевыми моделями в этой области: Ultralytics YOLO11 и YOLOv10. Обе модели представляют собой значительный шаг вперед в возможностях обнаружения объектов, однако для достижения своей производительности они используют принципиально разные архитектурные философии.

Разбор архитектуры YOLO11#

Детали YOLO11:

• Авторы: Гленн Джочер и Цзин Цю
• Организация: Ultralytics
• Дата: 27.09.2024
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: https://docs.ultralytics.com/models/yolo11

Представленная как универсальный тяжеловес, модель YOLO11 опирается на многолетние фундаментальные исследования в области компьютерного зрения и искусственного интеллекта. Основная философия проектирования YOLO11 вращается вокруг богатства признаков и экстремальной универсальности для различных задач компьютерного зрения.

Одним из наиболее заметных улучшений в YOLO11 является реализация блока C3k2. Этот усовершенствованный модуль «бутылочного горлышка» оптимизирует поток градиентов по всей сети, кардинально повышая эффективность параметров при сохранении высокой точности. Кроме того, в YOLO11 используется улучшенный механизм пространственного внимания, который имеет критическое значение для распознавания мелких или частично перекрытых объектов. Это делает модель исключительным выбором для аэросъемки и детального анализа медицинских изображений.

YOLO11 использует архитектуру без анкоров (anchor-free), что минимизирует сложность настройки гиперпараметров, обеспечивая надежную обобщающую способность на широком спектре пользовательских наборов данных. Более того, требования к памяти во время обучения значительно ниже по сравнению с архитектурами на базе трансформеров, что позволяет исследователям эффективно обучать крупные модели на стандартном потребительском оборудовании.

Узнай больше о YOLO11

Изучение архитектуры YOLOv10#

Детали YOLOv10:

• Авторы: Ао Ван, Хуэй Чен, Лихао Лю 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 из Университета Цинхуа, модель YOLOv10 произвела фурор как пионер сквозного обучения в семействе YOLO. Главная отличительная черта YOLOv10 — методология обучения без NMS. За счет применения согласованных двойных назначений на этапе обучения модель естественным образом предсказывает ровно один ограничивающий прямоугольник на объект. Этот прорыв полностью устраняет необходимость в неразрушающем подавлении максимумов (NMS) во время инференса — на этапе постобработки, который исторически создавал задержки в конвейерах развертывания.

Архитектура также представляет комплексную стратегию проектирования эффективности и точности. Она включает пространственно-канальное разделенное понижение дискретизации и рангово-ориентированные блоки, которые избирательно снижают избыточность на этапах сети. Это приводит к меньшему количеству FLOPs и снижению вычислительных затрат без существенного ущерба для средней точности в процентах (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

Показатели производительности и бенчмарки#

При оценке этих двух моделей мы смотрим на баланс точности, количества параметров и скорости. 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 показателей mAP во всех своих вариантах, особенно в более крупных моделях. Безнадмодальный дизайн YOLOv10 обеспечивает стабильное время сквозного инференса, однако YOLO11 по-прежнему демонстрирует исключительную пропускную способность при оптимизации с помощью TensorRT на оборудовании NVIDIA.

Преимущества экосистемы Ultralytics#

Хотя показатели автономной производительности важны, именно окружающий фреймворк определяет практический успех проекта машинного обучения. Именно здесь YOLO11, как родной элемент экосистемы Ultralytics, действительно блистает.

Платформа Ultralytics предлагает невероятно удобный пользовательский интерфейс. С помощью простого и унифицированного Python API разработчики могут решать задачи, выходящие за рамки обычных ограничивающих прямоугольников. YOLO11 из коробки поддерживает нативную сегментацию экземпляров, оценку позы, классификацию изображений и обнаружение с ориентированными ограничивающими рамками (OBB). Такой огромной универсальности часто не хватает в специализированных исследовательских репозиториях.

Кроме того, экосистема подкреплена обширной документацией и поддержкой активного сообщества. Интеграции с такими инструментами, как Weights & Biases для отслеживания экспериментов и OpenVINO для оптимизации оборудования Intel, встроены прямо в библиотеку. Обучение модели требует минимум шаблонного кода и выигрывает от высокоэффективных процессов обучения, которым требуется меньше памяти CUDA, чем тяжелым моделям на базе трансформаторов вроде RT-DETR.

Практический пример кода#

Обучение и запуск инференса с Ultralytics спроектированы так, чтобы быть максимально интуитивно понятными. Тот же самый API одинаково легко обрабатывает и YOLO11, и 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()

Сценарии использования и рекомендации#

Выбор между YOLO11 и YOLOv10 зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать YOLO11#

YOLO11 — отличный выбор для:

• Развертывание на периферийных устройствах для продакшена: Коммерческие приложения на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где надежность и активное обслуживание имеют первостепенное значение.
• Многозадачные приложения компьютерного зрения: Проекты, требующие обнаружения, сегментации, оценки позы и OBB в рамках единого универсального фреймворка.
• Быстрое прототипирование и развертывание: Команды, которым необходимо быстро перейти от сбора данных к продакшену с помощью удобного Ultralytics Python API.

Когда стоит выбрать YOLOv10#

YOLOv10 рекомендуется для:

• Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
• Приложения с постоянной задержкой: Сценарии развертывания, где предсказуемое время вывода критически важно, например, в robotics или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Следующее поколение: YOLO26#

Хотя YOLOv10 представила революционную парадигму без NMS, а YOLO11 довела до совершенства многозадачную универсальность, сфера ИИ развивается стремительно. Разработчикам, которые запускают новые продакшен-решения сегодня, мы настоятельно рекомендуем изучить Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 объединяет лучшее из обоих миров. Она нативно использует дизайн End-to-End NMS-Free, заложенный YOLOv10, радикально упрощая конвейер развертывания и обеспечивая стабильную задержку. Кроме того, YOLO26 включает специализированные оптимизации для граничных вычислений. Благодаря выполнению DFL Removal (удаление Distribution Focal Loss), архитектура гарантирует более легкую экспортируемость и обеспечивает до 43% более быстрый инференс на CPU по сравнению с устаревшими моделями, что делает ее лучшим выбором для энергоэффективных IoT-устройств и мобильных приложений.

YOLO26 также приносит стабильность обучения больших языковых моделей (LLM) в компьютерное зрение благодаря инновационному оптимизатору MuSGD — гибриду, вдохновленному передовыми исследованиями в области ИИ. В сочетании с функциями потерь ProgLoss + STAL модель YOLO26 обеспечивает беспрецедентную точность на мелких объектах, что важно для детального обнаружения в видеопотоке дорожного движения и сложной робототехнической автоматизации.

Узнай больше о YOLO26

Заключение#

Выбор правильной модели зрения зависит от твоих конкретных эксплуатационных ограничений. YOLOv10 является значительной вехой в академической среде, доказывая, что NMS может быть эффективно исключено из конвейера обнаружения. Однако для превосходного баланса производительности, всесторонней универсальности задач и бесшовных инструментов развертывания YOLO11 предлагает надежное решение, готовое к промышленному использованию.

Инженерам, стремящимся к абсолютно передовым технологиям — сочетанию сквозной простоты с молниеносной периферийной производительностью, настоятельно рекомендуется перейти на самую свежую модель YOLO26. Используя комплексную платформу Ultralytics, ты гарантируешь, что твои проекты построены на надежной, высокоэффективной и рассчитанной на будущее основе.