YOLO11 и YOLOX#

За последние несколько лет область компьютерного зрения стремительно развивалась, а модели обнаружения объектов в реальном времени становились всё более совершенными. При выборе архитектуры для промышленной эксплуатации или академического исследования разработчики часто сопоставляют проверенные временем достижения и передовые инновации. В этом подробном сравнении рассматриваются различия между Ultralytics YOLO11 и YOLOX от Megvii, а также приводятся детальные сведения об их архитектурах, показателях производительности и оптимальных сценариях развертывания.

Обзор архитектур#

Обе модели представляют собой значительный шаг вперёд в обнаружении объектов, но основаны на разных принципах проектирования и рассчитаны на разный опыт работы разработчиков.

YOLO11: универсальный движок для нескольких задач#

Выпущенная в сентябре 2024 года Гленном Джочером и Цзин Цю из Ultralytics, YOLO11 разработана как унифицированная платформа, сочетающая высокую точность с исключительной эффективностью.

• 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

YOLO11 выходит за рамки стандартных ограничивающих рамок и изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). Усовершенствованная архитектура оптимизирует извлечение признаков, обеспечивая лучшее сохранение признаков в сложных пространственных иерархиях.

YOLOX: первопроходец в области обнаружения без якорей#

Разработанная исследователями из Megvii, YOLOX получила широкое признание в 2021 году, сократив разрыв между исследованиями и промышленными приложениями благодаря полностью безъякорному подходу.

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Документация: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

YOLOX представила раздельную головку и безъякорную парадигму, что значительно сократило число параметров проектирования и повысило результаты на академических бенчмарках на момент её выпуска.

Узнай больше о YOLOX

Производительность и метрики#

При оценке моделей обнаружения крайне важно анализировать баланс между числом параметров, вычислительной стоимостью (FLOPs) и средней точностью (mAP) для реального развертывания модели.

Как видно из таблицы, YOLO11x значительно превосходит YOLOXx по абсолютной точности (54.7 mAP против 51.1 mAP), используя примерно вдвое меньше параметров (56.9M против 99.1M). Такая эффективность снижает требования к памяти как во время обучения, так и во время инференса, что даёт огромное преимущество в промышленных средах.

Экосистема и опыт разработчиков#

Преимущества Ultralytics#

Одно из наиболее существенных различий между YOLO11 и YOLOX заключается в удобстве использования. YOLOX в основном представляет собой исследовательскую кодовую базу, требующую сложной настройки окружения, ручной компиляции операторов C++ и подробных аргументов командной строки для запуска обучения на пользовательском наборе данных.

В отличие от этого, YOLO11 полностью интегрирована в пакет Ultralytics для Python и предоставляет упрощённый рабочий процесс по принципу «от нуля до результата». Платформа Ultralytics предлагает обширные инструменты для разметки данных, отслеживания экспериментов и облачного обучения, скрывая шаблонный код, чтобы инженеры могли сосредоточиться на производительности модели.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model effortlessly using the Ultralytics API
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")

Кроме того, экспорт модели Ultralytics в такие форматы, как TensorRT, CoreML или OpenVINO, выполняется одной командой, тогда как устаревшие репозитории часто требуют сложных сторонних инструментов или ручной модификации графов.

Практические сценарии использования#

Когда стоит выбрать YOLOX#

YOLOX остаётся подходящим вариантом для специализированных устаревших систем, в которых разработчики уже создали глубоко кастомизированные конвейеры инференса на C++ на основе специфических тензорных выходов её раздельной головки. Кроме того, исследователи, проводящие сравнительные исследования с архитектурами, считавшимися передовыми в 2021 году, по-прежнему используют YOLOX как базовую модель для эталонного набора данных.

Преимущества YOLO11#

Для почти всех современных промышленных сценариев YOLO11 обеспечивает значительно более удобный опыт:

• Умные города и розничная торговля: Благодаря исключительному соотношению скорости и точности YOLO11 без труда обрабатывает загруженные сцены, обеспечивая работу систем автоматизированной аналитики розничной торговли и управления дорожным движением без необходимости в крупных кластерах GPU.
• Периферийные вычисления: Высокая эффективность использования памяти и надёжные возможности экспорта делают YOLO11 идеальным решением для развертывания ИИ на периферии на таких устройствах, как Raspberry Pi или платформах NVIDIA Jetson.
• Сложные конвейеры: Если проект требует объединить обнаружение объектов с ключевыми точками позы (например, для спортивной аналитики) или точной сегментацией экземпляров (например, для анализа медицинских изображений), YOLO11 изначально поддерживает все эти задачи через единый API.

Варианты применения и рекомендации#

Выбор между YOLO11 и YOLOX зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLO11#

YOLO11 — отличный выбор для:

• Промышленного развертывания на периферийных устройствах: коммерческих приложений на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где особенно важны надежность и активная поддержка.
• Многоцелевых приложений компьютерного зрения: проектов, которым в рамках единого унифицированного фреймворка требуются детектирование, сегментация, оценка позы и OBB.
• Быстрого прототипирования и развертывания: команд, которым нужно быстро перейти от сбора данных к промышленной эксплуатации с помощью оптимизированного Ultralytics Python API.

Когда стоит выбрать YOLOX#

YOLOX рекомендуется для следующих задач:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая безъякорная архитектура YOLOX используется как базовая модель для экспериментов с новыми головками обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый размер варианта YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты, изучающие стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Будущее: возможности YOLO26#

Хотя YOLO11 остаётся исключительным выбором, ландшафт ИИ продолжает стремительно развиваться. Командам, которые стремятся к максимально высокой эффективности и стабильности, для новых проектов в области компьютерного зрения рекомендуется YOLO26 (выпущенная в январе 2026 года).

YOLO26 представляет собой огромный шаг вперёд благодаря реализации сквозной архитектуры без NMS. Устраняя постобработку подавления немаксимумов (NMS), она полностью исключает вариативность задержки и значительно упрощает логику развертывания — концепцию, впервые реализованную в YOLOv10.

Кроме того, YOLO26 использует удаление DFL (фокальной функции потерь распределения), оптимизируя архитектуру для достижения до 43% более быстрого инференса на CPU, что делает её бесспорным лидером для устройств с низким энергопотреблением и периферийных устройств. Стабильность обучения также значительно повышается благодаря оптимизатору MuSGD — гибридному оптимизатору на основе SGD и Muon, вдохновлённому LLM, который ускоряет сходимость. В сочетании с продвинутыми функциями потерь, такими как ProgLoss + STAL, YOLO26 превосходно обнаруживает небольшие объекты в сложных условиях, например на изображениях с дронов и периферийных IoT-сенсорах.

В заключение: хотя YOLOX представила важные архитектурные концепции в 2021 году, комплексный набор инструментов, эффективность использования памяти и передовая производительность YOLO11, а особенно революционная архитектура YOLO26, делают экосистему Ultralytics очевидным выбором для исследователей и корпоративных разработчиков сегодня.