YOLO11 против YOLOv6-3.0: Детальное сравнение моделей
Выбор правильной модели компьютерного зрения имеет решающее значение для достижения оптимальной производительности в задачах обнаружения объектов. Ultralytics предлагает ряд моделей YOLO , каждая из которых обладает уникальными преимуществами. На этой странице представлено техническое сравнение Ultralytics YOLO11 и YOLOv6-3.0, двух популярных моделей для обнаружения объектов, с упором на их архитектуру, показатели производительности и идеальные приложения.
Ultralytics YOLO11
Ultralytics YOLO11 - это новейшая передовая модель серии YOLO , авторами которой являются Гленн Джочер и Цзин Цю из Ultralytics, выпущенная 2024-09-27. Она создана на основе предыдущих версий, чтобы предоставить самые современные возможности обнаружения объектов, разработанные для повышения точности и эффективности в различных задачах компьютерного зрения, включая обнаружение объектов, сегментацию объектов, классификацию изображений и оценку позы.
В YOLO11 реализованы архитектурные улучшения для более точных предсказаний и повышения эффективности. В частности, YOLO11m достигает более высокой средней точности (mAP) на наборе данных COCO с меньшим количеством параметров по сравнению с YOLOv8m. Эта эффективность распространяется на различные платформы, от пограничных устройств до облачных систем. Оптимизированная конструкция обеспечивает более высокую скорость обработки и снижение вычислительных затрат, что делает ее подходящей для приложений реального времени и сред с ограниченными ресурсами. Для получения более подробной информации обратитесь к официальной документации YOLO11 .
Сильные стороны YOLO11:
- Превосходная точность: Достижение более высокого mAP при меньшем количестве параметров, что повышает точность обнаружения.
- Повышенная эффективность: Обеспечивает более высокую скорость обработки и снижение вычислительных затрат.
- Универсальность: Поддерживает множество задач, включая обнаружение, сегментацию, классификацию и оценку позы.
- Кросс-платформенная совместимость: Хорошо работает как на периферийных, так и на облачных системах.
- Простота использования: бесшовная интеграция с Ultralytics HUB и пакетом Python .
Слабые стороны YOLO11:
- Новая модель: Поскольку это самая новая модель, поддержка сообщества и документация все еще растут по сравнению с более устоявшимися моделями.
Идеальные случаи использования YOLO11:
Баланс точности и скорости YOLO11 делает его идеальным для приложений, требующих высокой точности и работы в режиме реального времени, таких как:
- Усовершенствованные системы помощи водителю (ADAS) в самоуправляемых автомобилях(ИИ в самоуправлении)
- Высокоточная робототехника в производстве(ИИ в производстве)
- Сложные системы наблюдения для повышения безопасности(компьютерное зрение для предотвращения краж)
- Анализ медицинских изображений для точной диагностики(ИИ в здравоохранении)
- Спортивная аналитика в реальном времени(изучение применения компьютерного зрения в спорте)
YOLOv6-3.0
YOLOv6-3.0 - это высокопроизводительный фреймворк для обнаружения объектов, разработанный компанией Meituan под авторством Чуйи Ли, Лулу Ли и других, выпущенный 2023-01-13. Он предназначен для промышленных приложений, требующих баланса между скоростью и точностью. В YOLOv6-3.0 реализованы такие архитектурные инновации, как модуль двунаправленной конкатенации (BiC) и стратегия обучения с помощью якорей (AAT), что позволяет повысить производительность без существенного снижения скорости.
YOLOv6-3.0 известен своей эффективностью и скоростью, предлагая различные размеры моделей (N, S, M, L) для удовлетворения различных вычислительных потребностей. Оптимизированный дизайн и поддержка квантования делают его особенно подходящим для приложений реального времени и развертывания на пограничных устройствах. Подробную информацию можно найти в документации YOLOv6 и в репозитории YOLOv6 на GitHub.
Сильные стороны YOLOv6-3.0:
- Высокая скорость вывода: Оптимизирована для работы в режиме реального времени, что позволяет достичь высоких показателей FPS.
- Сбалансированная точность: Обеспечивает хороший баланс между точностью и скоростью.
- Поддержка квантования: Предлагает квантование INT8 для дальнейшего ускорения и повышения эффективности.
- Мобильная оптимизация: Включает модели YOLOv6Lite, специально разработанные для развертывания на мобильных устройствах и CPU .
- Устоявшаяся модель: Хорошо документированная, с сильным сообществом и кодовой базой.
Слабые стороны YOLOv6-3.0:
- Потенциально более низкая точность: В некоторых сложных сценариях точность может быть немного ниже, чем у последних моделей YOLO , таких как YOLO11 .
- Происхождение разработки: Разработано за пределами Ultralytics, но интегрировано в экосистему Ultralytics .
Идеальные сценарии использования YOLOv6-3.0:
YOLOv6-3.0 хорошо подходит для приложений, где скорость и эффективность имеют первостепенное значение:
- Обнаружение объектов на граничных устройствах в реальном времени(edge ai)
- Промышленная автоматизация, требующая быстрого и надежного обнаружения(улучшение производства с помощью компьютерного зрения)
- Системы видеонаблюдения и безопасности, для которых важна быстрая обработка данных(разрушение статус-кво в области видеонаблюдения с помощью технологии vision ai)
- Мобильные приложения с ограниченными ресурсами(развертывание приложений компьютерного зрения на устройствах edge ai)
- Высокопроизводительная видеоаналитика
| Модель | размер (пикселей) |
mAPval 50-95 |
Скорость CPU ONNX (мс) |
Скорость T4TensorRT10 (мс) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
Пользователи, заинтересованные в изучении других моделей, могут также рассмотреть Ultralytics YOLOv8 для баланса производительности и возможностей, YOLOv9 для усовершенствования архитектуры, YOLOv10 для последних достижений, YOLOv7 и YOLOv5, каждый из которых предлагает уникальные преимущества в семействе YOLO .
