YOLO11 и YOLOv6-3.0#

Область компьютерного зрения стремительно развивается, и выбор подходящей архитектуры модели — критически важное решение для специалистов по машинному обучению. Двумя значимыми вехами в развитии обнаружения объектов в реальном времени стали YOLO11 и YOLOv6-3.0. Хотя обе модели обладают впечатляющими возможностями для извлечения информации из визуальных данных, они создавались с разными основными целями и на основе разных принципов проектирования.

В этом руководстве представлен подробный технический анализ их архитектур, показателей производительности и оптимальных сценариев развертывания, который поможет тебе принять взвешенное решение для следующего проекта в области ИИ.

Обзор моделей#

Прежде чем перейти к техническим бенчмаркам, полезно разобраться в происхождении и основных особенностях каждой модели.

Ultralytics YOLO11#

Разработанная непосредственно в экосистеме Ultralytics, YOLO11 создана для удобной сквозной разработки. Она ориентирована не только на максимальную скорость, но и на универсальность в решении различных задач, простоту использования и интеграцию с современными конвейерами развертывания.

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

Meituan YOLOv6-3.0#

YOLOv6-3.0 специально адаптирована для промышленных приложений, где доступны выделенные графические процессоры (GPUs). Она активно оптимизируется для развертывания с использованием TensorRT, уделяя основное внимание максимальной пропускной способности в контролируемых средах.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu и Xiangxiang Chu
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: репозиторий Meituan YOLOv6
• Документация: документация YOLOv6

Узнай больше о YOLOv6

Архитектурные различия#

Архитектура лежит в основе того, как модель обучается и масштабируется. Оба фреймворка предлагают уникальные улучшения классической формулы YOLO.

YOLO11 опирается на многолетние исследования и предлагает архитектуру с исключительно эффективным использованием параметров. Она включает усовершенствованный backbone и обобщенную head, способную решать разнообразные задачи компьютерного зрения — например, сегментацию экземпляров и оценку позы, — без масштабной перестройки структуры. Кроме того, YOLO11 требует исключительно мало памяти CUDA во время обучения, что выгодно отличает ее от более громоздких моделей Transformer, таких как RT-DETR.

В свою очередь, YOLOv6-3.0 использует модуль двунаправленной конкатенации (BiC) и стратегию обучения с поддержкой anchor-боксов (AAT). Эти механизмы предназначены для повышения точности локализации. Архитектура в основном разделена на независимые компоненты и активно квантуется для поддержки вывода модели в формате INT8, что делает ее сильным кандидатом для высокоскоростных производственных линий на базе устаревших стеков GPU.

Производительность и метрики#

При оценке моделей решающее значение имеют средняя точность (mAP) и скорость вывода. В следующей таблице сравнивается производительность YOLO11 и YOLOv6-3.0 для моделей разных масштабов. Лучшие показатели выделены жирным шрифтом.

Как показано, YOLO11 стабильно достигает более высокой точности (mAP), используя значительно меньше параметров и FLOPs на сопоставимых уровнях. Такая эффективность по числу параметров напрямую приводит к снижению требований к памяти как во время обучения модели, так и при выводе.

Преимущества Ultralytics#

Выбор модели — это не только сравнение отдельных показателей, но и оценка всего жизненного цикла машинного обучения. Модели Ultralytics дают разработчикам и исследователям заметное преимущество.

1. Простота использования: API Ultralytics для Python позволяет обучать, проверять и экспортировать модели всего несколькими строками кода. Тебе не придется вручную настраивать сложные деревья зависимостей.
2. Хорошо поддерживаемая экосистема: Ultralytics предоставляет единую экосистему, которая регулярно обновляется. Используя Ultralytics Platform, разработчики получают доступ к совместной разметке наборов данных, облачному обучению и удобному мониторингу моделей.
3. Универсальность: В отличие от YOLOv6-3.0, которая в основном является детектором ограничивающих рамок, YOLO11 изначально поддерживает классификацию изображений и ориентированные ограничивающие рамки (OBB), позволяя объединить технологический стек.
4. Эффективность обучения: Благодаря современным оптимизациям и автоматическому формированию батчей YOLO11 эффективно обучается на оборудовании потребительского класса, делая передовые технологии ИИ для компьютерного зрения доступнее.

Пример кода: обучение и вывод#

Работать с моделями Ultralytics очень просто. Ниже приведен полностью работоспособный пример, демонстрирующий обучение и выполнение вывода с использованием пакета Ultralytics.

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image from the web
prediction = model("https://ultralytics.com/images/bus.jpg")

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

Идеальные сценарии использования#

Понимание сильных сторон каждой модели поможет тебе выбрать подходящий инструмент для конкретной задачи.

Когда выбирать YOLOv6-3.0: Если ты поддерживаешь устаревшую промышленную систему, специально построенную на конкретных конвейерах TensorRT 7.x/8.x, а все оборудование состоит из выделенных GPU NVIDIA T4 или A100 для высокоскоростной автоматизации производства, YOLOv6 остается жизнеспособным и функциональным решением.

Когда выбирать YOLO11: Для почти всех современных приложений YOLO11 — лучший выбор. Будь то разработка решений для умного производства, развертывание ИИ на периферии на устройствах Raspberry Pi или выполнение задач, включающих обнаружение и сегментацию медицинских изображений, YOLO11 обеспечивает оптимальный баланс скорости, точности и гибкости развертывания.

Взгляд в будущее: передовая YOLO26#

Хотя YOLO11 представляет собой огромный шаг вперед, Ultralytics продолжает расширять границы компьютерного зрения. Выпущенная в январе 2026 года новая серия моделей YOLO26 является абсолютным лидером по уровню технологий и рекомендованной моделью для всех новых проектов.

YOLO26 представляет несколько революционных возможностей, специально разработанных для современных задач развертывания:

• Сквозная архитектура без NMS: Развивая концепции, впервые примененные в YOLOv10, YOLO26 изначально построена как сквозная модель. Она полностью устраняет постобработку подавления немаксимумов (NMS), что приводит к более быстрым и значительно более простым конвейерам развертывания.
• Удаление DFL: Благодаря удалению Distribution Focal Loss YOLO26 упрощает head сети, значительно повышая совместимость с маломощными устройствами Интернета вещей (IoT) и периферийными устройствами.
• Оптимизатор MuSGD: Вдохновленная инновациями в обучении больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, YOLO26 использует гибридный оптимизатор Muon-SGD, обеспечивающий непревзойденную стабильность обучения и более быструю сходимость.
• До 43% более быстрый вывод на CPU: Для приложений, работающих без выделенных GPU-ускорителей, YOLO26 существенно оптимизирована для максимальной пропускной способности CPU.
• ProgLoss + STAL: Эти усовершенствованные функции потерь заметно повышают качество распознавания небольших объектов, что критически важно для съемки с дронов и воздушного наблюдения.
• Улучшения для конкретных задач: YOLO26 включает специализированные улучшения для всех задач, такие как многомасштабное прототипирование для сегментации и оценка остаточного логарифмического правдоподобия (RLE) для оценки позы.

Если ты начинаешь новый проект в области компьютерного зрения сегодня, обучение модели YOLO26 с помощью Ultralytics Platform позволит построить приложение на самой эффективной, точной и рассчитанной на будущее архитектуре из доступных.

Разработчики, заинтересованные в обнаружении объектов с открытым словарем, также могут ознакомиться с нашей документацией по YOLO-World.