YOLO11 и YOLOv7#

Область компьютерного зрения продолжает стремительно развиваться, а обнаружение объектов в реальном времени остаётся одним из главных направлений применения ИИ. Выбор подходящей для проекта архитектуры требует найти сложный баланс между скоростью, точностью и простотой развертывания. В этом руководстве мы подробно сравним две известные архитектуры: Ultralytics YOLO11 и YOLOv7.

История моделей и технические подробности#

Обе модели оказали значительное влияние на сообщество глубокого обучения, но они созданы в разные эпохи и основаны на разных принципах разработки.

Сведения о YOLO11:

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: https://docs.ultralytics.com/models/yolo11

Подробности о YOLOv7:

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информатики, Академия Синика, Тайвань
• Дата: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• Документация: https://docs.ultralytics.com/models/yolov7

Узнай больше о YOLOv7

Архитектурные различия#

Обе модели используют самые современные концепции, однако их структурные основы различаются.

В YOLOv7 появилась концепция расширенных сетей агрегации эффективных слоёв (E-ELAN). Эта архитектура разработана для постоянного улучшения способности сети к обучению без нарушения исходного пути градиента. Это важный прорыв, описанный в научной статье. YOLOv7 активно использует структурную репараметризацию и надёжную методику «набора бесплатных улучшений» во время обучения, повышая общую точность на наборе данных COCO без увеличения затрат на инференс.

В отличие от неё, YOLO11 построена на основе высокооптимизированной архитектуры Ultralytics. В ней используется более совершенный конвейер извлечения признаков с меньшим числом параметров, что снижает потребление памяти во время обучения. YOLO11 обеспечивает отличный баланс производительности, используя меньше вычислительных ресурсов (FLOPs) и при этом не уступая более крупным моделям в точности обнаружения или превосходя их. Кроме того, YOLO11 изначально поддерживает больше задач, поэтому она отлично подходит для современных приложений компьютерного зрения.

Сравнение производительности и метрик#

Чтобы точно оценить пригодность модели для реального мира, важно анализировать такие метрики, как средняя точность (mAP), скорость инференса, число параметров и вычислительная сложность (FLOPs). В следующей таблице сравниваются варианты YOLO11 разных масштабов и более крупные модели YOLOv7.

Как видно, например, YOLO11x достигает более высокого показателя 54.7 mAP, чем 53.1 mAP у YOLOv7x, используя при этом значительно меньше параметров (56.9M против 71.3M). Это демонстрирует более высокую архитектурную эффективность YOLO11.

Эффективность обучения и удобство экосистемы#

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

YOLOv7 — это прежде всего исследовательский академический репозиторий. Для обучения моделей часто требуется сложная настройка окружения, ручное управление зависимостями и длинные аргументы командной строки. Несмотря на поддержку передовых экспериментов, адаптация кода из репозитория YOLOv7 на GitHub для пользовательских производственных окружений может занять много времени.

YOLO11 выводит удобство использования на новый уровень. Она полностью интегрирована в платформу Ultralytics — комплексную, хорошо поддерживаемую экосистему для сквозных рабочих процессов. Единый API Python и простой интерфейс командной строки упрощают весь процесс: от разметки данных и локального обучения до развертывания.

Сравнение кода#

Для обучения модели обнаружения объектов с YOLO11 достаточно нескольких строк кода, что значительно снижает порог входа:

from ultralytics import YOLO

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

# Легко обучи модель с помощью единого 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 отличается высокой универсальностью. Для поддержки задач помимо обнаружения (например, оценки позы или сегментации) YOLOv7 требует полностью отдельных кодовых баз или существенных модификаций, тогда как YOLO11 решает задачи обнаружения объектов, сегментации экземпляров, классификации изображений, оценки позы и обнаружения объектов с ориентированными ограничивающими рамками (OBB) в рамках единой согласованной платформы.

Применение в реальном мире и подходящие сценарии использования#

Выбор между YOLOv7 и YOLO11 полностью зависит от масштаба проекта и ограничений развертывания.

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: Приложения для умной розницы или медицинской диагностики получают значительную пользу от хорошо поддерживаемой кодовой базы и высокой стабильности YOLO11.
• Среды с ограниченными ресурсами: Благодаря компактности YOLO11n отлично подходит для развертывания 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.

Передовые технологии: переход к YOLO26#

YOLO11 — надёжный выбор, однако инновации в области искусственного интеллекта не останавливаются. Инженерам, которые начинают новые проекты сегодня, настоятельно рекомендуем изучить Ultralytics YOLO26.

Выпущенная в январе 2026 года YOLO26 представляет сквозную архитектуру без NMS (nms=False), которая устраняет узкие места, связанные с задержками при постобработке методом подавления немаксимумов. Кроме того, в YOLO26 используется революционный оптимизатор MuSGD, вдохновлённый методами обучения LLM, который обеспечивает более быструю сходимость. Благодаря целевым улучшениям функции потерь с помощью ProgLoss + STAL и ускорению инференса на CPU до 43% за счёт удаления DFL, YOLO26 специально оптимизирована для периферийных вычислений и представляет собой вершину современного компьютерного зрения с ИИ.

Если тебя интересуют специализированные альтернативные архитектуры, изучи также модели на основе Transformer RT-DETR или динамическую модель с открытым словарём YOLO-World: они могут дать хорошие результаты в различных сценариях развертывания систем компьютерного зрения.