Начать

YOLO11 и YOLOv7

Сфера компьютерного зрения продолжает быстро развиваться, а обнаружение объектов в реальном времени остаётся одним из наиболее широко применяемых решений. Выбор подходящей архитектуры требует баланса между скоростью, точностью и простотой развёртывания. В этом руководстве приводится техническое сравнение двух известных архитектур: Ultralytics YOLO11 и YOLOv7.

История моделей и технические подробности#

Обе модели повлияли на сообщество глубокого обучения, но они появились в разные эпохи и основаны на разных принципах разработки.

Сведения о YOLO11:

Подробности о YOLOv7:

Узнай больше о YOLOv7

Архитектурные различия#

Оба детектора используют современные концепции проектирования, но их структурные основы различаются.

В YOLOv7 была представлена концепция расширенных сетей агрегации эффективных слоёв (E-ELAN). Эта архитектура призвана постоянно улучшать способность сети к обучению, не нарушая исходный путь градиента, как описано в научной статье. Во время обучения YOLOv7 использует структурную репараметризацию и обучаемый подход «bag-of-freebies», повышая общую точность на наборе данных COCO без увеличения затрат на инференс.

В отличие от неё, YOLO11 построена на архитектуре Ultralytics. В ней используется более совершенный конвейер извлечения признаков с меньшим числом параметров, что снижает потребление памяти при обучении. YOLO11 обеспечивает отличный баланс производительности: использует меньше параметров, сохраняя или превосходя точность обнаружения более крупных моделей. YOLO11 также поддерживает больше задач, что делает её универсальным решением для современных приложений компьютерного зрения.

Эффективное использование памяти

Для обучения моделям Ultralytics YOLO обычно требуется меньше памяти, чем многим другим детекторам, поэтому разработчики могут обучать эффективные сети с помощью PyTorch на потребительских GPU.

Сравнение производительности и метрик#

Чтобы оценить пригодность моделей для практического применения, сравни такие метрики, как средняя точность (mAP), скорость инференса, число параметров и вычислительную сложность (FLOPs). В следующей таблице сравниваются масштабируемые варианты YOLO11 и более крупные модели YOLOv7.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLO11x достигает 54.7 mAP против 53.1 mAP у YOLOv7x, используя меньше параметров (56.9M против 71.3M) при сопоставимой задержке TensorRT на T4. В масштабе l YOLO11l точнее (53.4 против 51.4 mAP), быстрее (6.2 мс против 6.84 мс) и компактнее (25.3M против 36.9M параметров), чем YOLOv7l.

Эффективность обучения и удобство экосистемы#

Одно из ключевых различий между этими архитектурами — удобство работы разработчика и окружающая их экосистема.

YOLOv7 по сути представляет собой репозиторий для академических исследований. Для обучения моделей часто требуется сложная настройка среды, ручное управление зависимостями и длинные аргументы командной строки. Несмотря на поддержку исследовательских экспериментов, адаптация кода репозитория YOLOv7 на GitHub для пользовательских производственных сред может занять много времени.

YOLO11 ориентирована на простоту использования. Она полностью интегрирована с платформой Ultralytics — хорошо поддерживаемой экосистемой, охватывающей весь рабочий процесс. От разметки данных и локального обучения до развёртывания — унифицированный API Python и простой интерфейс командной строки оптимизируют весь процесс.

Сравнение кода#

Для обучения модели обнаружения объектов с YOLO11 достаточно нескольких строк кода:

from ultralytics import YOLO

# Загрузи предварительно обученную малую модель YOLO11
model = YOLO("yolo11s.pt")

# Обучай модель с помощью унифицированного API
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Быстро экспортируй модель в формат ONNX
model.export(format="onnx")

Для сравнения, типичная команда обучения YOLOv7 выглядит так и требует тщательно настроить пути, файлы конфигурации и bash-скрипты:

python train.py --workers 8 --device 0 --batch-size 32 --data data/coco.yaml --img 640 640 --cfg cfg/training/yolov7.yaml --weights 'yolov7_training.pt'

YOLO11 также универсальнее. Если для поддержки задач помимо обнаружения (например, оценки позы или сегментации) YOLOv7 нужны отдельные ветви или модификации, то YOLO11 выполняет обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB) в рамках единой согласованной системы.

Простой экспорт

Экспортировать YOLO11 в такие форматы, как TensorRT или OpenVINO, можно одной командой. Это помогает избежать типичных проблем с поддержкой операторов, возникающих при работе с устаревшими моделями.

Применение в реальном мире и подходящие сценарии использования#

Выбор между YOLOv7 и YOLO11 зависит от масштаба проекта и ограничений на развёртывание.

Когда стоит рассмотреть YOLOv7:

  • Сравнение с устаревшими моделями: Академические исследователи, изучающие архитектуру путей градиента, могут использовать YOLOv7 в качестве базовой модели для оценки новых свёрточных нейронных сетей.
  • Существующие пользовательские конвейеры: Команды с глубоко доработанными конвейерами на C++ или CUDA, созданными специально вокруг уникальной логики декодирования ограничивающих рамок в YOLOv7.

Когда стоит выбрать YOLO11:

  • Коммерческое производство: Для приложений в сфере умной розницы или медицинской диагностики полезны хорошо поддерживаемая кодовая база и стабильность YOLO11.
  • Среды с ограниченными ресурсами: Благодаря компактности YOLO11n хорошо подходит для развёртывания на мобильных и периферийных устройствах через ONNX.
  • Проекты для решения множества задач: Если одному приложению нужно обнаружить человека, определить его скелет (позу) и сегментировать предмет, который он держит, YOLO11 предложит единое решение.

Продолжаем работу с YOLO26#

YOLO11 остаётся надёжным решением, но инженерам, которые сегодня начинают новые проекты, рекомендуется Ultralytics YOLO26.

Выпущенная в январе 2026 года YOLO26 представляет дополнительную сквозную архитектуру без NMS (nms=False), которая устраняет задержку, вызванную постобработкой с помощью подавления немаксимумов. В YOLO26 также добавлен оптимизатор MuSGD, вдохновлённый методами обучения больших языковых моделей (LLM), для более быстрой сходимости. ProgLoss + STAL улучшают работу с малыми объектами, а удаление DFL обеспечивает до 43% более быстрый инференс YOLO26n на CPU по сравнению с YOLO11n, благодаря чему YOLO26 оптимизирована для периферийных вычислений.

Тем, кто ищет специализированные альтернативные структуры, для конкретных задач компьютерного зрения также могут подойти трансформерная модель RT-DETR или модель с открытым словарём и динамическим подходом YOLO-World.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.