Link to this sectionYOLO11 против YOLOv5#

Выбор правильной архитектуры нейронной сети — важнейшее решение для любого проекта в области компьютерного зрения. По мере того как развивается сфера искусственного интеллекта, меняются и инструменты, доступные разработчикам и исследователям. В этом подробном руководстве приводится детальное техническое сравнение двух знаковых моделей из экосистемы Ultralytics: всеми признанной YOLOv5 и передовой YOLO11.

Независимо от того, разворачиваешь ли ты легковесные модели для приложений edge AI или обрабатываешь видеопотоки высокого разрешения на облачных GPU, понимание архитектурных особенностей, метрик производительности и идеальных сценариев использования этих моделей поможет тебе сделать обоснованный выбор для конкретных ограничений твоей задачи.

Link to this sectionИстория создания моделей и технические детали#

Обе модели отражают стремление Ultralytics к открытому сотрудничеству, высокой производительности и непревзойденной простоте использования, что делает их крайне востребованными в мировом сообществе специалистов по машинному обучению.

Link to this sectionДетали YOLO11#

• Авторы: Гленн Джочер и Цзин Цю
• Организация: Ultralytics
• Дата: 27.09.2024
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLO11

Узнай больше о YOLO11

Link to this sectionДетали YOLOv5#

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 26.06.2020
• GitHub: ultralytics/yolov5
• Документация: Документация YOLOv5

Узнай больше о YOLOv5

Link to this sectionАрхитектурные различия#

Эволюция от YOLOv5 к YOLO11 принесла несколько серьезных архитектурных изменений, направленных на оптимизацию точности и эффективности использования параметров.

YOLOv5 была первопроходцем в экосистеме PyTorch, представив высокооптимизированный бэкбон CSPNet (Cross Stage Partial Network) и шею PANet (Path Aggregation Network). Она опиралась на детекцию на основе якорей (anchor-based), что требовало использования заранее заданных anchor boxes для предсказания границ объектов. Несмотря на высокую эффективность, настройка этих якорей для пользовательских наборов данных компьютерного зрения могла быть затруднительной.

В отличие от него, YOLO11 переходит к более современной, безанкорной парадигме обнаружения. Это исключает необходимость ручной настройки anchor box, оптимизируя процесс обучения и улучшая обобщающую способность на различных наборах данных, таких как COCO dataset. Кроме того, YOLO11 оснащен разделенной «головой» (decoupled head), что означает, что задачи классификации и регрессии ограничивающих рамок (bounding box) обрабатываются в отдельных ветвях. Такое разделение значительно повышает скорость сходимости и mean Average Precision (mAP), особенно в сложных сценариях object detection.

Link to this sectionПоказатели производительности и бенчмарки#

В таблице ниже приведены ключевые показатели для моделей разного размера. Модели Ultralytics славятся своими требованиями к памяти: обычно они потребляют меньше памяти CUDA во время обучения по сравнению с тяжелыми альтернативами на базе Transformer, что существенно снижает порог вхождения по аппаратным ресурсам.

Как видишь, YOLO11 достигает очень выгодного баланса производительности, постоянно демонстрируя более высокие показатели mAP при сопоставимом количестве параметров по сравнению с аналогами YOLOv5.

Link to this sectionМетодики обучения и удобство использования#

Один из главных принципов философии Ultralytics — исключительная простота использования, поддерживаемая хорошо развитой экосистемой и широкой поддержкой сообщества.

YOLOv5 исторически опиралась на надежные скрипты интерфейса командной строки (CLI) (train.py, detect.py) для выполнения задач. Хотя они были мощными, интеграция этих скриптов непосредственно в пользовательские Python-приложения часто требовала обходных путей.

YOLO11 совершила революцию, представив оптимизированный Python-пакет ultralytics. Этот унифицированный API управляет всем: от обучения до экспорта моделей в такие форматы, как ONNX, OpenVINO и TensorRT «из коробки».

Link to this sectionСравнение кода#

Обучение модели Ultralytics сегодня невероятно эффективно. Вот как ты можешь обучить YOLO11, используя ее собственный Python API:

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on custom data
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the model to ONNX for deployment
model.export(format="onnx")

Для устаревших систем, использующих YOLOv5, обучение через CLI выглядит следующим образом:

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

Link to this sectionИдеальные сценарии использования и реальные приложения#

Обе модели обладают уникальными сильными сторонами, адаптированными к различным операционным средам.

Link to this sectionКогда использовать YOLOv5#

Несмотря на появление нового поколения, YOLOv5 остается мощным инструментом. Мы настоятельно рекомендуем ее для:

• Интеграции с устаревшими системами: среды, глубоко интегрированные со специфическими тензорными структурами или конвейерами развертывания YOLOv5, которые сложно переработать.
• Академических базовых показателей: исследователям, которым нужны устоявшиеся, проверенные временем бенчмарки для воспроизводимых академических исследований в области медицинского анализа изображений.

Link to this sectionКогда использовать YOLO11#

YOLO11 — идеальный выбор для современных производственных конвейеров благодаря своей невероятной универсальности:

• Многозадачные среды: в отличие от YOLOv5, которая является преимущественно детектором (с последующим добавлением сегментации), YOLO11 поддерживает «из коробки» сегментацию экземпляров, классификацию изображений, оценку позы и детекцию ориентированных ограничивающих рамок (OBB).
• Видеоаналитика высокой плотности: идеально подходит для интеллектуальных транспортных систем или управления розничными запасами, где критически важно извлекать максимальную точность из сложных сцен.

Link to this sectionВзгляд в будущее: архитектура YOLO26#

Хотя YOLO11 является исключительным стандартом, границы компьютерного зрения продолжают быстро расширяться. Разработчикам, стремящимся к вершинам эффективности, стоит также обратить внимание на новейшую Ultralytics YOLO26 (выпущенную в январе 2026 года).

YOLO26 представляет собой огромный шаг вперед, специально разработанный как для оптимизации на периферии (edge), так и для корпоративных масштабов. Ключевые инновации включают:

• Сквозной дизайн без NMS: YOLO26 является полностью end-to-end моделью, исключающей пост-обработку Non-Maximum Suppression (NMS) для более быстрого и простого развертывания.
• Удаление DFL: Distribution Focal Loss была удалена для упрощения экспорта моделей и повышения совместимости с маломощными устройствами.
• Оптимизатор MuSGD: революционный гибрид SGD и Muon, привносящий стабильность обучения LLM в компьютерное зрение для более быстрой сходимости.
• До 43% быстрее CPU-инференс: сильно оптимизирован для IoT-развертываний и устройств без выделенных GPU.
• ProgLoss + STAL: значительно улучшенные функции потерь, которые дают заметные улучшения в распознавании мелких объектов, что жизненно важно для аэрофотосъемки с дронов.

Узнай больше о YOLO26

Link to this sectionРезюме#

Выбор между YOLO11 и YOLOv5 в конечном итоге зависит от этапа жизненного цикла твоего проекта. Наследие YOLOv5 неоспоримо: она предлагает экстремальную стабильность и огромную поддержку сообщества. Однако для любого нового проекта настоятельно рекомендуется YOLO11, а не старые поколения. Она сочетает в себе передовую точность, исключительно элегантный Python API и меньшие затраты памяти при обучении, закрепляя положение Ultralytics на переднем крае инноваций в области ИИ. Для тех, кто раздвигает границы еще дальше, изучение новейшей YOLO26 на платформе Ultralytics даст непревзойденные результаты.