YOLO11 и YOLOv5#

Выбор подходящей архитектуры нейронной сети — ключевое решение для любого проекта в области компьютерного зрения. По мере развития искусственного интеллекта меняются и инструменты, доступные разработчикам и исследователям. В этом подробном руководстве мы технически сравним две знаковые модели экосистемы Ultralytics: получившую широкое признание YOLOv5 и продвинутую YOLO11.

Будь то развёртывание лёгких моделей для приложений периферийного ИИ или обработка видеопотоков высокого разрешения на облачных GPU, понимание архитектурных особенностей, показателей производительности и оптимальных сценариев применения этих моделей поможет тебе сделать выбор с опорой на данные и с учётом ограничений конкретного развёртывания.

Происхождение моделей и технические особенности#

Обе модели отражают приверженность Ultralytics сотрудничеству в сфере открытого исходного кода, надёжной производительности и непревзойдённому удобству использования, благодаря чему они пользуются большой популярностью в мировом сообществе машинного обучения.

Подробнее о YOLO11#

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLO11

Подробнее о YOLOv5#

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: ultralytics/yolov5
• Документация: Документация YOLOv5

Архитектурные различия#

Переход от YOLOv5 к YOLO11 привносит несколько существенных архитектурных изменений, направленных на повышение точности и эффективное использование параметров.

YOLOv5 стала первопроходцем в экосистеме PyTorch, представив высокооптимизированную основу CSPNet (Cross Stage Partial Network) и шейку PANet (Path Aggregation Network). Модель использовала обнаружение на основе якорей, для которого нужны были заранее заданные якорные рамки для прогнозирования границ объектов. Хотя такой подход был весьма эффективен, настройка якорей под пользовательские наборы данных для компьютерного зрения могла быть трудоёмкой.

В отличие от неё, YOLO11 переходит к более современной парадигме обнаружения без якорей. Это избавляет от необходимости вручную настраивать якорные рамки, упрощает процесс обучения и улучшает обобщающую способность на разнообразных наборах данных, таких как набор данных COCO. Кроме того, в YOLO11 используется разделённая голова: классификация и регрессия ограничивающих рамок выполняются в отдельных ветвях. Такое разделение значительно ускоряет сходимость и повышает среднюю точность (mAP), особенно в сложных сценариях обнаружения объектов.

Показатели производительности и результаты тестирования#

В таблице ниже сопоставлены ключевые показатели моделей разных размеров. Модели Ultralytics славятся низкими требованиями к памяти: во время обучения они обычно потребляют меньше памяти CUDA, чем тяжёлые альтернативы на основе трансформеров, что существенно снижает порог входа по аппаратным требованиям.

Как видно из результатов, YOLO11 обеспечивает очень удачный баланс производительности и стабильно показывает более высокие значения mAP, чем соответствующие модели YOLOv5 с сопоставимым количеством параметров.

Методики обучения и удобство использования#

Один из основных принципов Ultralytics — исключительное удобство использования, которое обеспечивают хорошо поддерживаемая экосистема и активная помощь сообщества.

Исторически YOLOv5 полагалась на надёжные скрипты интерфейса командной строки (CLI) (train.py, detect.py). Эти скрипты были мощными, но для их прямой интеграции в пользовательские приложения на Python часто приходилось искать обходные решения.

YOLO11 создана на основе унифицированного пакета Python ultralytics (представленного вместе с YOLOv8). Его единый API охватывает всё — от обучения до экспорта моделей в такие форматы, как ONNX, OpenVINO и TensorRT, — без дополнительных инструментов.

Сравнение кода#

Сегодня обучать модели Ultralytics невероятно просто и эффективно. Вот как обучить YOLO11 с помощью встроенного API Python:

from ultralytics import YOLO

# Загрузи предварительно обученную малую модель YOLO11
model = YOLO("yolo11s.pt")

# Обучи модель на пользовательских данных
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Экспортируй модель в ONNX для развёртывания
model.export(format="onnx")

Для устаревших систем с YOLOv5 обучение через CLI выглядит так:

# 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

Оптимальные сценарии использования и реальные приложения#

У каждой модели есть свои сильные стороны, подходящие для разных условий эксплуатации.

Когда использовать YOLOv5#

Несмотря на появление нового поколения, YOLOv5 по-прежнему остаётся мощной моделью. Она особенно подходит для:

• Интеграции с устаревшими системами: Сред, тесно связанных с конкретными структурами тензоров YOLOv5 или конвейерами развёртывания, которые сложно переработать.
• Академических базовых моделей: Исследователей, которым нужны проверенные временем базовые модели для воспроизводимых научных исследований в области анализа медицинских изображений.

Когда использовать YOLO11#

YOLO11 — оптимальный выбор для современных производственных конвейеров благодаря своей исключительной универсальности:

• Среды с несколькими задачами: В отличие от YOLOv5, которая в первую очередь предназначена для обнаружения объектов (сегментацию добавили позднее), YOLO11 из коробки поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).
• Анализ видео с высокой плотностью объектов: Отлично подходит для интеллектуальных транспортных систем и управления запасами в розничной торговле, где важно добиться максимальной точности в сложных сценах.

Перспективы: архитектура YOLO26#

YOLO11 остаётся выдающимся стандартом, однако компьютерное зрение продолжает стремительно развиваться. Разработчикам, которым нужна максимальная эффективность, стоит также обратить внимание на новейшую Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 — это огромный шаг вперёд: модель специально разработана для оптимизации на периферийных устройствах и масштабирования до уровня предприятия. Ключевые нововведения:

• Сквозная архитектура без NMS: YOLO26 поддерживает нативный сквозной вывод и пропускает постобработку подавлением немаксимумов (NMS) с помощью nms=False, что упрощает развёртывание и ускоряет его.
• Удаление DFL: Distribution Focal Loss удалена, чтобы упростить экспорт модели и повысить совместимость с устройствами с низким энергопотреблением.
• Оптимизатор MuSGD: Революционный гибрид SGD и Muon, который переносит стабильность обучения LLM в компьютерное зрение и ускоряет сходимость.
• Вывод на CPU до 43% быстрее: Модель тщательно оптимизирована для развёртывания в интернете вещей и на устройствах без выделенных GPU.
• ProgLoss + STAL: Значительно улучшенные функции потерь заметно повышают точность распознавания мелких объектов, что крайне важно при съёмке с воздушных дронов.

Итоги#

Выбор между YOLO11 и YOLOv5 в конечном счёте зависит от этапа жизненного цикла проекта. Наследие YOLOv5 неоспоримо: модель обеспечивает исключительную стабильность и пользуется огромной поддержкой сообщества. Однако для любого нового проекта мы настоятельно рекомендуем YOLO11 вместо моделей предыдущих поколений. Она сочетает передовую точность, исключительно элегантный API Python и меньшие требования к памяти при обучении, укрепляя лидирующие позиции Ultralytics в области инноваций ИИ. Если ты хочешь продвинуться ещё дальше, изучи передовую YOLO26 на платформе Ultralytics — это позволит добиться непревзойдённых результатов.