YOLO11 против YOLOv5#

Выбор правильной архитектуры нейронной сети — ключевое решение для любой задачи computer vision. По мере развития artificial intelligence меняются и инструменты, доступные разработчикам и исследователям. Это подробное руководство предлагает глубокое техническое сравнение двух знаковых моделей из экосистемы Ultralytics: всеми любимой YOLOv5 и передовой YOLO11.

Независимо от того, развертываешь ли ты легковесные модели для приложений edge AI или обрабатываешь видеопотоки высокого разрешения на облачных GPU, понимание архитектурных нюансов, performance metrics и оптимальных сценариев использования этих моделей гарантирует, что ты сделаешь осознанный выбор с учетом твоих ограничений при развертывании.

История 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.

Детали YOLO11#

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

Узнай больше о YOLO11

Детали YOLOv5#

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

Узнай больше о YOLOv5

Архитектурные 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 бэкэнд CSPNet (Cross Stage Partial Network) и нэк PANet (Path Aggregation Network). Она опиралась на детектирование на основе анкоров, что требовало предопределенных anchor boxes для предсказания границ объектов. Несмотря на высокую эффективность, настройка этих анкоров для пользовательских computer vision datasets могла быть громоздкой.

В отличие от нее, YOLO11 переходит к более современной безъякорной парадигме обнаружения. Это исключает необходимость ручной настройки анкорных боксов, упрощая процесс обучения и улучшая обобщение на разнообразных наборах данных, таких как COCO dataset. Кроме того, YOLO11 оснащена разделенной головой (decoupled head), что означает обработку задач классификации и регрессии ограничивающих рамки в отдельных ветвях. Это разделение значительно повышает скорость сходимости и mean Average Precision (mAP), особенно в сложных сценариях object detection.

Показатели 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.

Методики обучения и удобство использования#

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

Исторически YOLOv5 полагалась на надежные скрипты интерфейса командной строки (CLI) (train.py, detect.py) для выполнения. Хотя они мощные, интеграция этих скриптов напрямую в пользовательские приложения Python часто требовала обходных путей.

YOLO11 произвела революцию в этом плане, представив оптимизированный пакет Python ultralytics. Этот унифицированный API изначально управляет всем: от обучения до exporting models в такие форматы, как ONNX, OpenVINO и TensorRT.

Сравнение 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

Идеальные сценарии использования и реальные приложения#

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

Когда 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.
• Академические базы: Исследователи, которым нужны устоявшиеся, проверенные временем базовые модели для воспроизводимых академических исследований в области medical image analysis.

Когда использовать YOLO11#

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

• Среды с поддержкой нескольких задач: В отличие от YOLOv5, которая является преимущественно детектором (с последующим добавлением сегментации), YOLO11 из коробки изначально поддерживает instance segmentation, image classification, pose estimation и обнаружение Oriented Bounding Box (OBB).
• Аналитика видео высокой плотности: Идеально подходит для интеллектуальных транспортных систем или retail inventory management, где критически важно извлекать максимум точности из сложных сцен.

Взгляд в будущее: архитектура YOLO26#

Хотя YOLO11 является исключительным стандартом, рубеж компьютерного зрения продолжает стремительно развиваться. Разработчикам, ищущим абсолютную вершину эффективности, также стоит рассмотреть новейшую модель 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 изначально является сквозным (end-to-end), исключая постпроцессинг 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.
• Инференс на CPU быстрее до 43%: Серьезно оптимизировано для IoT-развертываний и устройств без выделенных GPUs.
• 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

Резюме#

Выбор между YOLO11 и YOLOv5 в конечном итоге зависит от этапа жизненного цикла твоего проекта. Наследие YOLOv5 неоспоримо, оно предлагает экстремальную стабильность и массивную поддержку сообщества. Тем не менее, для любого нового проекта YOLO11 настоятельно рекомендуется по сравнению со старыми поколениями. Она сочетает в себе передовую точность, исключительно элегантный Python API и меньшие затраты памяти при обучении, закрепляя лидирующие позиции Ultralytics в авангарде инноваций ИИ. Для тех, кто раздвигает границы еще дальше, изучение ультрасовременной YOLO26 на Ultralytics Platform принесет непревзойденные результаты.