Начать

YOLO11 и YOLOv6-3.0

Область компьютерного зрения быстро развивается, и выбор подходящей архитектуры модели — важное решение для специалистов по машинному обучению. Двумя заметными этапами развития обнаружения объектов в реальном времени стали YOLO11 и YOLOv6-3.0. Обе модели извлекают полезную информацию из визуальных данных, но разрабатывались с разными основными целями и принципами проектирования.

В этом руководстве сравниваются их архитектуры, метрики производительности и оптимальные сценарии развёртывания, чтобы помочь тебе принять обоснованное решение для следующего проекта в области ИИ.

Обзор моделей#

Прежде чем переходить к техническим тестам, полезно понять происхождение и основные задачи каждой модели.

Ultralytics YOLO11#

Разработанная непосредственно в экосистеме Ultralytics, YOLO11 создана для полного цикла разработки — от обучения до развёртывания. В ней важны не только скорость, но и универсальность при решении нескольких задач, простота использования и интеграция с современными конвейерами развёртывания.

Meituan YOLOv6-3.0#

YOLOv6-3.0 специально адаптирована для промышленных приложений, где доступны специализированные графические процессоры (GPU). Она оптимизирована для развёртывания с помощью TensorRT и нацелена на максимальную пропускную способность в контролируемых средах.

Подробнее о YOLOv6

Архитектурные различия#

Архитектура определяет, как модель обучается и масштабируется. В обеих платформах реализованы уникальные улучшения классической формулы YOLO.

YOLO11 использует результаты многолетних исследований для создания эффективной по числу параметров архитектуры. В ней есть усовершенствованный базовый блок и обобщённая голова, которая обрабатывает разнообразные задачи компьютерного зрения, например сегментацию экземпляров и оценку позы, без серьёзных структурных изменений. Для обучения YOLO11 также требуется мало памяти CUDA, что отличает её от более крупных трансформерных моделей, таких как RT-DETR.

В свою очередь, YOLOv6-3.0 использует модуль двунаправленной конкатенации (BiC) и стратегию обучения с помощью якорей (AAT). Эти механизмы призваны повысить точность локализации. Модель использует раздельную голову и архитектуру, удобную для квантования при инференсе INT8, что делает её сильным кандидатом для высокоскоростных производственных линий на проверенных стэках GPU.

Выбор подходящей платформы

Если для твоего проекта важны быстрое прототипирование, поддержка разных задач (например, сегментации или классификации) и развёртывание на разном оборудовании (CPU, Edge TPU, мобильных устройствах), фреймворк Ultralytics обеспечит более удобный процесс разработки.

Производительность и метрики#

При оценке моделей ключевыми метриками являются средняя точность (mAP) и скорость инференса. В следующей таблице сравнивается производительность YOLO11 и YOLOv6-3.0 на разных масштабах моделей. Лучшие показатели выделены полужирным.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLO11 обеспечивает более высокий mAP при меньшем числе параметров и FLOPs на каждом сопоставимом уровне; например, YOLO11s достигает 47.0 mAP при 9.4M параметров, тогда как YOLOv6-3.0s — 45.0 mAP при 18.5M. YOLOv6-3.0n — самая быстрая модель на T4 TensorRT (1.17 мс), а начиная с масштаба s быстрее становится YOLO11. Такая эффективность по числу параметров снижает требования к памяти при обучении модели и инференсе.

Преимущества Ultralytics#

Выбор модели зависит не только от численных показателей, но и от всего жизненного цикла машинного обучения. Модели Ultralytics дают разработчикам и исследователям ряд преимуществ.

  1. Простота использования: API Python Ultralytics позволяет обучать, проверять и экспортировать модели всего несколькими строками кода. Настраивать сложные деревья зависимостей вручную не нужно.
  2. Хорошо поддерживаемая экосистема: Ultralytics предоставляет унифицированную экосистему, которая регулярно обновляется. С помощью платформы Ultralytics разработчики получают инструменты для совместной разметки наборов данных, облачного обучения и мониторинга моделей.
  3. Универсальность: В отличие от YOLOv6-3.0, которая предназначена главным образом для обнаружения объектов с ограничивающими рамками, YOLO11 также поддерживает классификацию изображений и ориентированные ограничивающие рамки (OBB), позволяя объединить технологический стек.
  4. Эффективность обучения: Благодаря современным оптимизациям и автоматическому подбору размера пакета YOLO11 эффективно обучается на потребительском оборудовании.

Пример кода: обучение и инференс#

Ниже приведён исполняемый пример обучения модели, выполнения инференса и экспорта с помощью пакета Ultralytics.

from ultralytics import YOLO

# Загрузка предварительно обученной облегчённой модели YOLO11
model = YOLO("yolo11s.pt")

# Эффективно обучи модель на наборе данных COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Запусти инференс на изображении из интернета
prediction = model("https://ultralytics.com/images/bus.jpg")

# Экспортируй модель в формат ONNX для простого развертывания
model.export(format="onnx")

Оптимальные сценарии применения#

Зная сильные стороны каждой модели, ты сможешь выбрать подходящий инструмент для задачи.

Когда выбирать YOLOv6-3.0: Если ты обслуживаешь устаревшую промышленную систему, специально построенную на определённых конвейерах TensorRT 7.x/8.x, и всё оборудование состоит из специализированных GPU NVIDIA T4 или A100 для высокоскоростной автоматизации производства, YOLOv6 остаётся достойным вариантом.

Когда выбирать YOLO11: Для большинства современных приложений лучше подходит YOLO11. Создаёшь ли ты решения для умного производства, развёртываешь ли периферийный ИИ на устройствах Raspberry Pi или выполняешь несколько задач, например обнаружение и сегментацию медицинских изображений, — YOLO11 обеспечивает отличный баланс скорости, точности и гибкости развёртывания.

Что ждет YOLO26 в будущем#

Ultralytics продолжает разрабатывать новые модели после YOLO11. Выпущенная в январе 2026 года серия моделей YOLO26 — это последнее поколение Ultralytics YOLO и рекомендуемая модель для новых проектов.

YOLO26 предлагает несколько возможностей для решения современных задач развёртывания:

  • Сквозная архитектура без NMS: Развивая обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 предлагает опциональную сквозную голову (nms=False), устраняющую этап постобработки с подавлением немаксимумов (NMS) и ускоряющую и упрощающую конвейеры развертывания.
  • Удаление DFL: Удаление Distribution Focal Loss упрощает голову сети и улучшает совместимость с маломощными устройствами интернета вещей (IoT) и периферийными устройствами.
  • Оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей (LLM), например модели Kimi K2 от Moonshot AI, YOLO26 использует гибридный оптимизатор Muon-SGD для более стабильного обучения и быстрой сходимости.
  • До 43% быстрее инференс на CPU: В приложениях без специализированных ускорителей GPU YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов, что критически важно для изображений с дронов и воздушного наблюдения.
  • Улучшения для конкретных задач: YOLO26 включает целевые улучшения для разных задач, например многомасштабный протомодуль для сегментации и оценку остаточного логарифмического правдоподобия (RLE) для оценки позы.

Если ты сегодня начинаешь новый проект в области компьютерного зрения, обучение модели YOLO26 на платформе Ultralytics даст тебе доступ к самой точной и эффективной архитектуре Ultralytics из доступных на данный момент.

Если ты хочешь изучить обнаружение объектов с открытым словарём, ознакомься также с нашей документацией по YOLO-World.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.