YOLO11 против YOLOv6-3.0#
Область computer vision развивается стремительно, и выбор правильной архитектуры модели — критически важное решение для специалистов по машинтному обучению. Два значимых этапа в развитии object detection в реальном времени — это YOLO11 и YOLOv6-3.0. Хотя обе модели предлагают впечатляющие возможности для извлечения ценной информации из визуальных данных, они разрабатывались с разными основными целями и философией проектирования.
Это руководство содержит глубокий технический анализ их архитектур, метрик производительности и идеальных сценариев развертывания, чтобы помочь тебе принять обоснованное решение для твоего следующего AI-проекта.
Обзор моделей#
Прежде чем погружаться в технические бенчмарки, полезно понять происхождение и основную направленность каждой модели.
Ultralytics YOLO11#
Разработанная нативно в экосистеме Ultralytics, YOLO11 была создана для обеспечения бесшовного процесса разработки от начала до конца. Она делает акцент не только на чистой скорости, но и на multi-task versatility, простоте использования и интеграции с современными конвейерами развертывания.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: Репозиторий Ultralytics
- Документация: YOLO11 Documentation
Meituan YOLOv6-3.0#
YOLOv6-3.0 была явно адаптирована под промышленные приложения, где доступны выделенные graphics processing units (GPUs). Она сильно оптимизирована для развертывания с помощью TensorRT, уделяя особое внимание максимизации 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
Архитектурные различия#
Фундаментальная архитектура определяет, как модель обучается и масштабируется. Оба фреймворка привносят уникальные улучшения в классическую формулу YOLO.
YOLO11 опирается на многолетние исследования, чтобы предложить архитектуру с невероятной эффективностью параметров. Она включает в себя продвинутый бэкбон и обобщенную «голову», способную решать разнообразные задачи компьютерного зрения — такие как сегментация экземпляров и оценка позы, — не требуя масштабных структурных переработок. Кроме того, YOLO11 отличается исключительно низкими требованиями к памяти CUDA во время обучения, что выгодно отличает ее от более громоздких transformer models, таких как RT-DETR.
С другой стороны, в YOLOv6-3.0 используются модуль двунаправленной конкатенации (BiC) и стратегия обучения с поддержкой анкеров (AAT). Эти механизмы разработаны для повышения точности локализации. Архитектура в основном разделена и сильно квантована в пользу model inference в формате INT8, что делает ее сильным конкурентом для высокоскоростных производственных линий, использующих устаревшие стеки GPU.
Если твой проект требует быстрого прототипирования, поддержки разнообразных задач (например, сегментации или классификации) и развертывания на различном оборудовании (CPU, Edge TPU, Mobile), фреймворк Ultralytics обеспечит тебе значительно более комфортный опыт разработки.
Производительность и метрики#
При оценке моделей mean Average Precision (mAP) и скорость инференса имеют первостепенное значение. В следующей таблице сравнивается производительность YOLO11 и YOLOv6-3.0 для различных масштабов моделей. Наилучшие показатели выделены жирным шрифтом.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Как показано, YOLO11 стабильно достигает более высокой точности (mAP) с существенно меньшим количеством параметров и FLOP на эквивалентных уровнях. Эта эффективность параметров напрямую приводит к снижению требований к памяти как во время model training, так и при инференсе.
Преимущество Ultralytics#
Выбор модели — это нечто большее, чем просто сырые метрики; это весь machine learning lifecycle. Модели Ultralytics предоставляют явное преимущество как для разработчиков, так и для исследователей.
- Простота использования: Python API от Ultralytics позволяет тебе обучать, проверять и экспортировать модели всего за несколько строк кода. Нет необходимости вручную настраивать сложные деревья зависимостей.
- Хорошо поддерживаемая экосистема: Ultralytics предоставляет единую экосистему, которая регулярно обновляется. Используя Ultralytics Platform, разработчики получают доступ к совместной разметке датасетов, облачному обучению и бесшовному мониторингу моделей.
- Универсальность: В отличие от YOLOv6-3.0, которая является преимущественно детектором ограничивающих рамок, YOLO11 нативно поддерживает image classification и oriented bounding boxes (OBB), позволяя объединить ваш технологический стек.
- Эффективность обучения: Используя современные оптимизации и автобатчинг, YOLO11 эффективно обучается на потребительском оборудовании, демократизируя доступ к передовым AI-технологиям компьютерного зрения.
Пример кода: обучение и инференс#
Работа с моделями Ultralytics очень интуитивна. Ниже приведен готовый к запуску пример, демонстрирующий, как обучать и запускать инференс с помощью 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 варианты использования#
Понимание сильных сторон каждой модели гарантирует, что ты выберешь правильный инструмент для своей задачи.
Когда выбирать YOLOv6-3.0: Если ты поддерживаешь устаревшую промышленную систему, созданную специально вокруг определенных конвейеров TensorRT 7.x/8.x, и твое аппаратное обеспечение состоит исключительно из выделенных GPU NVIDIA T4 или A100 для высокоскоростной manufacturing automation, YOLOv6 остается жизнеспособным и мощным движком.
Когда выбирать YOLO11: Почти для всех современных приложений YOLO11 является превосходным выбором. Создаешь ли ты решения для smart manufacturing, развертываешь ли edge AI на устройствах Raspberry Pi или выполняешь многозадачные операции, такие как обнаружение и сегментация 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 раздвигать границы компьютерного зрения. Выпущенная в январе 2026 года новая серия моделей YOLO26 является абсолютным лидером (state-of-the-art) и рекомендуется для всех новых проектов.
YOLO26 представляет несколько революционных функций, разработанных специально для современных задач развертывания:
- Дизайн без NMS, сквозной (End-to-End): Опираясь на концепции, впервые примененные в YOLOv10, YOLO26 является нативно сквозной. Она полностью исключает постобработку Non-Maximum Suppression (NMS), что приводит к более быстрым и значительно более простым конвейерам развертывания.
- Удаление DFL: Удалив Distribution Focal Loss, YOLO26 упрощает хед сети, значительно повышая совместимость с маломощными Internet of Things (IoT) и периферийными устройствами.
- Оптимизатор MuSGD: Вдохновленная инновациями в обучении больших языковых моделей (LLM) (такими как Kimi K2 от Moonshot AI), YOLO26 использует гибридный оптимизатор Muon-SGD, обеспечивая непревзойденную стабильность обучения и более быструю сходимость.
- До 43% быстрее инференс на CPU: Для приложений, работающих без выделенных GPU-ускорителей, YOLO26 была сильно оптимизирована для повышения производительности на CPU.
- ProgLoss + STAL: Эти продвинутые функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, что критически важно для drone imagery и воздушного наблюдения.
- Улучшения для конкретных задач: YOLO26 включает в себя специализированные улучшения для всех типов задач, такие как многомасштабное прототипирование для сегментации и Residual Log-Likelihood Estimation (RLE) для оценки позы.
Если ты запускаешь новую инициативу в области компьютерного зрения сегодня, использование Ultralytics Platform для обучения модели YOLO26 гарантирует, что твое приложение построено на самой эффективной, точной и перспективной архитектуре из доступных.
Для разработчиков, заинтересованных в изучении детектирования с открытым словарем (open-vocabulary), ты также можешь ознакомиться с нашей документацией по YOLO-World.