YOLO11 и YOLOv5#

Выбор правильной архитектуры нейронной сети — ключевое решение для любого проекта в области компьютерного зрения. По мере развития сферы искусственного интеллекта развиваются и доступные разработчикам и исследователям инструменты. В этом подробном руководстве приведено углублённое техническое сравнение двух знаковых моделей экосистемы Ultralytics: широко известной YOLOv5 и продвинутой YOLO11.

Разворачиваешь ли ты лёгкие модели для приложений ИИ на периферии или обрабатываешь видеопотоки высокого разрешения на облачных GPU, понимание архитектурных особенностей, метрик производительности и оптимальных сценариев использования этих моделей поможет тебе принять обоснованное решение с учётом конкретных ограничений развёртывания.

Происхождение моделей и технические детали#

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

Сведения о YOLO11#

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

Сведения о YOLOv5#

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

Архитектурные различия#

Переход от YOLOv5 к YOLO11 сопровождается несколькими существенными архитектурными изменениями, направленными на оптимизацию точности и эффективности использования параметров.

YOLOv5 стала новаторской моделью в экосистеме PyTorch, представив высокооптимизированный backbone CSPNet (сеть с частичным межэтапным соединением) и neck PANet (сеть агрегации путей). Она использовала детектирование на основе якорей, для которого требовались заранее заданные якорные блоки для предсказания границ объектов. Хотя этот подход был весьма эффективен, настройка якорей для пользовательских наборов данных компьютерного зрения могла быть обременительной.

В отличие от неё, YOLO11 переходит к более современной парадигме детектирования без якорей. Это устраняет необходимость вручную настраивать якорные блоки, упрощает процесс обучения и улучшает обобщение на различных наборах данных, например на наборе данных COCO. Кроме того, YOLO11 оснащена разделённой головой: задачи классификации и регрессии ограничивающих рамок обрабатываются в отдельных ветвях. Такое разделение значительно ускоряет сходимость и повышает среднюю точность (mAP), особенно в сложных сценариях детектирования объектов.

Метрики производительности и бенчмарки#

В таблице ниже сопоставлены ключевые метрики для моделей разного размера. Модели Ultralytics известны умеренными требованиями к памяти: при обучении они обычно потребляют меньше памяти CUDA, чем тяжёлые альтернативы на основе Transformer, что существенно снижает аппаратный порог входа.

Как видно, YOLO11 обеспечивает очень удачный баланс производительности, стабильно показывая более высокие значения mAP при сопоставимом количестве параметров с соответствующими моделями YOLOv5.

Методики обучения и удобство использования#

Один из ключевых принципов философии Ultralytics — исключительная простота использования, которую поддерживают хорошо обслуживаемая экосистема и обширная помощь сообщества.

Исторически YOLOv5 полагалась на надёжные скрипты интерфейса командной строки (CLI) (train.py, detect.py) для выполнения. Несмотря на мощность этих скриптов, их прямая интеграция в пользовательские приложения на Python часто требовала обходных решений.

YOLO11 изменила этот подход, представив упрощённый пакет Python ultralytics. Этот унифицированный API поддерживает всё — от обучения до экспорта моделей в такие форматы, как ONNX, OpenVINO и TensorRT, из коробки.

Сравнение кода#

Сегодня обучение модели Ultralytics выполняется чрезвычайно эффективно. Вот как можно обучить YOLO11 с помощью собственного API Python:

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 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 применения#

У обеих моделей есть свои сильные стороны, подходящие для разных рабочих сред.

Когда использовать YOLOv5#

Несмотря на появление нового поколения, YOLOv5 остаётся мощным решением. Она особенно рекомендуется для:

• Интеграция с устаревшими системами: среды, тесно интегрированные с определёнными структурами тензоров или конвейерами развёртывания YOLOv5, которые сложно переработать.
• Академические базовые модели: исследователи, которым нужны устоявшиеся базовые модели для воспроизводимых академических исследований в области анализа медицинских изображений.

Когда использовать YOLO11#

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

• Многозадачные среды: в отличие от YOLOv5, которая в основном является детектором (с добавленной позднее сегментацией), YOLO11 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и детектирование ориентированных ограничивающих рамок (OBB).
• Видеоаналитика высокой плотности: идеальный вариант для интеллектуальных транспортных систем или управления товарными запасами в розничной торговле, где критически важно извлекать максимальную точность из сложных сцен.

Перспективы: архитектура YOLO26#

Хотя YOLO11 остаётся выдающимся стандартом, передовые технологии компьютерного зрения продолжают стремительно развиваться. Разработчикам, которые стремятся к абсолютному максимуму эффективности, также стоит обратить внимание на новейшую Ultralytics YOLO26 (выпущенную в январе 2026 года).

YOLO26 представляет собой огромный шаг вперёд и специально разработана как для оптимизации на периферии, так и для корпоративного масштаба. Ключевые инновации включают:

• Сквозная архитектура без NMS: YOLO26 изначально является сквозной моделью, устраняя постобработку подавления немаксимумов (NMS) для более быстрого и простого развёртывания.
• Удаление DFL: функция потерь фокального распределения удалена для упрощения экспорта модели и повышения совместимости с маломощными устройствами.
• Оптимизатор MuSGD: революционная комбинация SGD и Muon, обеспечивающая компьютерному зрению стабильность обучения LLM и более быструю сходимость.
• До 43% более быстрый вывод на CPU: модель существенно оптимизирована для развёртывания в IoT и на устройствах без выделенных GPU.
• ProgLoss + STAL: значительно улучшенные функции потерь, обеспечивающие заметный прирост качества распознавания небольших объектов, что особенно важно для аэрофотосъёмки с дронов.

Итоги#

Выбор между YOLO11 и YOLOv5 в конечном итоге зависит от этапа жизненного цикла твоего проекта. Наследие YOLOv5 не вызывает сомнений: она отличается исключительной стабильностью и пользуется огромной поддержкой сообщества. Однако для любого нового проекта настоятельно рекомендуется YOLO11, а не более старые поколения. Она сочетает передовую точность, исключительно элегантный API Python и более низкие требования к памяти при обучении, укрепляя позицию Ultralytics на переднем крае инноваций в области ИИ. Если ты хочешь продвинуться ещё дальше, изучение передовой YOLO26 на платформе Ultralytics обеспечит непревзойдённые результаты.