Link to this sectionYOLO11 против YOLOv6-3.0#

Область computer vision быстро развивается, и выбор правильной архитектуры модели является критически важным решением для специалистов в области машинного обучения. Двумя значимыми вехами в развитии object detection в реальном времени стали YOLO11 и YOLOv6-3.0. Хотя обе модели предлагают впечатляющие возможности для извлечения инсайтов из визуальных данных, они были разработаны с разными основными целями и философиями 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.

Link to this sectionОбзор моделей#

Прежде чем погружаться в технические бенчмарки, полезно понять происхождение и основную направленность каждой модели.

Link to this sectionUltralytics YOLO11#

YOLO11, разработанная в экосистеме Ultralytics, была создана для обеспечения плавного сквозного опыта разработки. Она делает упор не только на чистую скорость, но и на multi-task versatility, 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 YOLO11

Узнай больше о YOLO11

Link to this sectionMeituan YOLOv6-3.0#

YOLOv6-3.0 была специально адаптирована для промышленных приложений, где доступны выделенные graphics processing units (GPUs). Она глубоко оптимизирована для развертывания с TensorRT, фокусируясь на 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

Узнай больше о YOLOv6

Link to this sectionАрхитектурные различия#

Фундаментальная архитектура определяет, как модель обучается и масштабируется. Оба фреймворка привносят уникальные улучшения в классическую формулу YOLO.

YOLO11 опирается на многолетние исследования, предлагая архитектуру, невероятно эффективную с точки зрения количества параметров. Она оснащена продвинутым бэкбоном и универсальной головой, способной решать разнообразные задачи компьютерного зрения — такие как instance segmentation и pose estimation — без необходимости масштабных структурных переработок. Более того, YOLO11 требует исключительно малого объема памяти CUDA во время обучения, что выгодно отличает ее от более громоздких transformer models, таких как RT-DETR.

Напротив, YOLOv6-3.0 использует модуль двунаправленной конкатенации (BiC) и стратегию обучения с поддержкой якорей (AAT). Эти механизмы разработаны для повышения точности локализации. Архитектура в основном является разделенной (decoupled) и сильно квантованной, чтобы отдавать предпочтение INT8 model inference, что делает ее сильным конкурентом для высокоскоростных производственных линий, работающих на старых стеках GPU.

Link to this sectionПроизводительность и метрики#

При оценке моделей mean Average Precision (mAP) и скорость вывода имеют первостепенное значение. 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) при значительно меньшем количестве параметров и FLOPs на эквивалентных уровнях. Эта эффективность использования параметров напрямую приводит к снижению требований к памяти как во время model training, так и при инференсе.

Link to this sectionПреимущество Ultralytics#

Выбор модели — это больше, чем просто сухие метрики; это касается всего machine learning lifecycle. Модели Ultralytics предоставляют явное преимущество как для разработчиков, так и для исследователей.

1. 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.
2. Хорошо поддерживаемая экосистема: Ultralytics предоставляет единую экосистему, которая часто получает обновления. Используя Ultralytics Platform, разработчики получают доступ к совместной разметке датасетов, облачному обучению и бесшовному мониторингу моделей.
3. Универсальность: В отличие от YOLOv6-3.0, которая является преимущественно детектором ограничивающих рамок, YOLO11 нативно поддерживает image classification и oriented bounding boxes (OBB), позволяя тебе консолидировать твой технологический стек.
4. Эффективность обучения: Используя современные оптимизации и автобатчинг, YOLO11 эффективно обучается на потребительском оборудовании, демократизируя доступ к передовым AI-технологиям компьютерного зрения.

Link to this sectionПример 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")

Link to this sectionИдеальные варианты использования#

Понимание сильных сторон каждой модели гарантирует, что ты выберешь правильный инструмент для своей задачи.

Когда выбирать YOLOv6-3.0: Если ты поддерживаешь старую промышленную систему, построенную специально вокруг специфических конвейеров TensorRT 7.x/8.x, и твое оборудование полностью состоит из выделенных GPU NVIDIA T4 или A100 для высокоскоростной manufacturing automation, YOLOv6 остается жизнеспособным и функциональным движком.

Когда выбирать YOLO11: Почти для всех современных приложений YOLO11 является лучшим выбором. Создаешь ли ты решения для smart manufacturing, развертываешь 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.

Link to this sectionВзгляд в будущее: передовая YOLO26#

Хотя YOLO11 представляет собой огромный шаг вперед, Ultralytics постоянно расширяет границы компьютерного зрения. Выпущенная в январе 2026 года, новая серия моделей YOLO26 является абсолютным лидером технологий и рекомендуется для всех новых проектов.

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

• Сквозной дизайн без NMS: Опираясь на концепции, предложенные в YOLOv10, YOLO26 является нативно сквозной моделью. Она полностью исключает постобработку Non-Maximum Suppression (NMS), что приводит к более быстрым и радикально упрощенным конвейерам развертывания.
• Удаление DFL: Благодаря удалению Distribution Focal Loss, YOLO26 упрощает голову сети, значительно повышая совместимость с маломощными устройствами Internet of Things (IoT) и периферийными устройствами (edge devices).
• 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 дают 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 начинаешь новую инициативу в области компьютерного зрения сегодня, использование Ultralytics Platform для обучения модели YOLO26 обеспечит твоему приложению работу на базе наиболее эффективной, точной и перспективной архитектуры из доступных.

Для разработчиков, заинтересованных в исследовании обнаружения с открытым словарем (open-vocabulary detection), ты также можешь изучить нашу документацию по YOLO-World.