Начать

YOLO11 и YOLOX

Модели для обнаружения объектов в реальном времени быстро развивались в последние годы. Выбирая архитектуру для производственной среды или академических исследований, разработчики часто сопоставляют проверенные временем решения с более новыми разработками. В этом сравнении рассматриваются различия между Ultralytics YOLO11 и YOLOX от Megvii, включая их архитектуры, показатели производительности и подходящие сценарии развертывания.

Обзор архитектур#

После выпуска обе модели продвинули сферу обнаружения объектов, но они основаны на разных принципах проектирования и рассчитаны на разный опыт разработки.

YOLO11: универсальная платформа для нескольких задач#

Выпущенная в сентябре 2024 года Гленном Джокером и Цзин Цю из Ultralytics, YOLO11 представляет собой единый фреймворк, сочетающий высокую точность и эффективность.

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

YOLOX: пионер безанкерного подхода#

Разработанная исследователями Megvii, YOLOX привлекла широкое внимание в 2021 году, связав исследования с промышленными приложениями благодаря полностью безъякорному подходу.

В YOLOX были представлены разделённая голова и безъякорная парадигма. Это сократило число проектных параметров и повысило результаты на академических тестах на момент выпуска модели.

Узнай больше о YOLOX

Знаешь ли ты?

Безъякорная архитектура, популяризированная YOLOX, вдохновила многие последующие модели. Ultralytics переняла и усовершенствовала эти безъякорные концепции в последующих версиях, таких как YOLOv8 и YOLO11, чтобы повысить точность и гибкость развертывания.

Производительность и метрики#

При оценке моделей обнаружения объектов для реального развертывания моделей важно учитывать баланс между количеством параметров, вычислительной стоимостью (FLOPs) и средним значением точности (mAP).

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

YOLO11x превосходит YOLOXx по точности (54.7 mAP против 51.1 mAP), требуя примерно вдвое меньше параметров (56.9M против 99.1M) и работая быстрее на T4 с TensorRT (11.3 мс против 16.1 мс). Такая эффективность снижает потребление памяти как при обучении, так и при инференсе, что даёт явное преимущество в производственной среде.

Экосистема и опыт разработчиков#

Преимущества Ultralytics#

Одно из главных различий между YOLO11 и YOLOX — удобство использования. YOLOX в первую очередь представляет собой исследовательскую кодовую базу: для начала обучения на собственном наборе данных требуется сложная настройка окружения, компиляция операторов C++ и длинные аргументы командной строки.

YOLO11 полностью интегрирована в пакет Ultralytics Python, обеспечивая простой рабочий процесс от установки до развертывания. Ultralytics Platform предоставляет инструменты для аннотирования данных, отслеживания экспериментов и обучения в облаке, избавляя от шаблонного кода и позволяя инженерам сосредоточиться на производительности модели.

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLO11
model = YOLO("yolo11n.pt")

# Обучай модель с помощью API Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй в ONNX
model.export(format="onnx")

Кроме того, для экспорта модели Ultralytics в такие форматы, как TensorRT, CoreML или OpenVINO, достаточно одной команды. В старых репозиториях часто требуются сложные сторонние инструменты или ручное редактирование вычислительного графа.

Примеры применения в реальных условиях#

Когда стоит выбрать YOLOX#

YOLOX по-прежнему подходит для специализированных устаревших систем, где разработчики уже создали собственные конвейеры инференса на C++ вокруг выходных тензоров её разделённой головы. Исследователи, проводящие сравнительные исследования архитектур поколения 2021 года, также могут использовать YOLOX в качестве базовой модели.

В чём сильные стороны YOLO11#

Для большинства современных производственных сценариев YOLO11 удобнее:

  • Умные города и розничная торговля: благодаря высокому соотношению скорости и точности YOLO11 хорошо работает в переполненных сценах, обеспечивая автоматизированную аналитику розничной торговли и управление дорожным движением без необходимости в крупных кластерах GPU.
  • Периферийные вычисления: благодаря эффективному использованию памяти и широкому выбору вариантов экспорта YOLO11 хорошо подходит для развертывания периферийного ИИ на таких устройствах, как Raspberry Pi и платформах NVIDIA Jetson.
  • Сложные конвейеры: если проект требует совместить обнаружение объектов с ключевыми точками позы (например, для спортивной аналитики) или точной сегментацией экземпляров (например, в медицинской визуализации), YOLO11 из коробки решает все эти задачи через единый API.

Сценарии использования и рекомендации#

Выбор между YOLO11 и YOLOX зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.

Когда выбирать YOLO11#

YOLO11 — отличный выбор для следующих задач:

  • Промышленное развертывание на периферийных устройствах: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где особенно важны надёжность и активная поддержка.
  • Многозадачные приложения компьютерного зрения: проекты, которым нужны обнаружение объектов, сегментация, классификация, оценка позы и OBB в рамках единого фреймворка.
  • Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.

Когда стоит выбрать YOLOX#

YOLOX подойдёт для следующих задач:

  • Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
  • Сверхлёгкие периферийные устройства: развертывание на крайне ограниченном или устаревшем мобильном оборудовании, где важен небольшой размер варианта YOLOX-Nano (0.91M параметров).
  • Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Взгляд в будущее: возможности YOLO26#

YOLO11 остаётся отличным вариантом, но для новых проектов компьютерного зрения, где важны максимальная эффективность и стабильность обучения, рекомендуется YOLO26, выпущенная в январе 2026 года.

В YOLO26 реализована опциональная сквозная голова без NMS (nms=False). Устраняя этап постобработки с помощью подавления немаксимумов (NMS), она уменьшает вариативность задержки и упрощает логику развертывания; эту концепцию в модели YOLO внедрила YOLOv10.

В YOLO26 также реализовано удаление DFL (Distribution Focal Loss), благодаря которому YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, и хорошо подходит для маломощных периферийных устройств. Оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый обучением больших языковых моделей (LLM), — повышает стабильность обучения и ускоряет сходимость. В сочетании с ProgLoss + STAL (Progressive Loss и Small-Target-Aware Label Assignment) эти возможности позволяют YOLO26 эффективно обнаруживать мелкие объекты в сложных условиях, например на изображениях с дронов и периферийных датчиках IoT.

Дополнительные материалы

Хочешь узнать больше об архитектурах обнаружения объектов? Изучи возможности обнаружения с открытым словарём у YOLO-World или модель RT-DETR на основе Transformer, описанную в экосистеме Ultralytics.

В заключение: YOLOX представила важные архитектурные идеи в 2021 году, но сегодня экосистема Ultralytics — с инструментарием, эффективным использованием памяти и точностью YOLO11 и особенно более новой YOLO26 — представляет собой более сильный выбор для исследователей и корпоративных разработчиков.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.