YOLO11 и YOLOX#

За последние годы компьютерное зрение стремительно развивалось, а модели детекции объектов в реальном времени становились всё сложнее. Выбирая архитектуру для production-среды или академического исследования, разработчики часто сопоставляют проверенные временем решения с передовыми новинками. В этом подробном сравнении рассматриваются различия между Ultralytics YOLO11 и YOLOX от Megvii, а также подробно анализируются их архитектура, метрики производительности и оптимальные сценарии развёртывания.

Обзор архитектур#

Обе модели стали важным шагом вперёд в детекции объектов, но они созданы на основе разных принципов проектирования и рассчитаны на разный опыт работы разработчиков.

YOLO11: универсальная платформа для нескольких задач#

Выпущенная в сентябре 2024 года Гленном Джочером и Цзин Цю из Ultralytics, YOLO11 представляет собой унифицированный фреймворк, в котором высокая точность сочетается 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 детекцию с помощью ориентированных ограничивающих рамок (OBB). Доработанная архитектура оптимизирует извлечение признаков и помогает лучше сохранять их на сложных пространственных уровнях.

YOLOX: пионер безанкерного подхода#

YOLOX, разработанная исследователями Megvii, привлекла большое внимание в 2021 году благодаря безанкерному подходу, который позволил сократить разрыв между исследованиями и промышленными приложениями.

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• 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

В YOLOX появились раздельная голова детектора и безанкерная архитектура. Это значительно сократило число настраиваемых параметров и улучшило результаты на академических тестах на момент выпуска модели.

Узнай больше о YOLOX

Производительность и метрики#

При оценке моделей детекции для реального развёртывания модели важно учитывать баланс между количеством параметров, вычислительными затратами (FLOPs) и средней точностью (mAP).

Как видно из таблицы, YOLO11x значительно превосходит YOLOXx по абсолютной точности (54.7 mAP против 51.1 mAP), используя при этом примерно вдвое меньше параметров (56.9M против 99.1M). Такая эффективность снижает требования к памяти как при обучении, так и при инференсе, что даёт огромное преимущество в production-средах.

Экосистема и опыт разработчиков#

Преимущества Ultralytics#

Одно из самых существенных различий между YOLO11 и YOLOX — удобство использования. YOLOX — это преимущественно исследовательская кодовая база: для запуска обучения на пользовательском наборе данных нужно настраивать сложное окружение, вручную компилировать операторы C++ и указывать множество параметров командной строки.

В отличие от неё, YOLO11 полностью интегрирована в Python-пакет Ultralytics и предлагает простой путь от первых шагов до профессионального результата. Платформа Ultralytics предоставляет обширные инструменты для разметки данных, отслеживания экспериментов и облачного обучения. Она избавляет от шаблонной работы, позволяя инженерам сосредоточиться на производительности модели.

from ultralytics import YOLO

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

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

# Экспортируй в ONNX или TensorRT без проблем
model.export(format="onnx")

Кроме того, экспорт модели Ultralytics в такие форматы, как TensorRT, CoreML или OpenVINO, требует всего одной команды, тогда как в устаревших репозиториях часто необходимы сложные сторонние инструменты или ручное редактирование графа.

Примеры применения в реальных условиях#

Когда стоит выбрать YOLOX#

YOLOX по-прежнему подходит для специализированных устаревших развертываний, в которых разработчики уже создали глубоко кастомизированные конвейеры инференса на C++, рассчитанные на конкретные выходы тензоров его разделённой головы. Кроме того, исследователи, проводящие сравнительные исследования с архитектурами, считавшимися передовыми в 2021 году, по-прежнему используют YOLOX в качестве базовой модели на эталонном датасете.

В чём сильные стороны YOLO11#

Почти во всех современных производственных сценариях YOLO11 обеспечивает значительно более высокий уровень:

• Умные города и розничная торговля: Благодаря исключительному соотношению скорости и точности YOLO11 без труда справляется со сценами с большим количеством объектов, обеспечивая работу систем автоматизированной аналитики в розничной торговле и управления дорожным движением без необходимости в огромных кластерах GPU.
• Периферийные вычисления: Благодаря эффективному использованию памяти и надёжным возможностям экспорта YOLO11 отлично подходит для развертывания периферийного ИИ на таких устройствах, как Raspberry Pi или платформах NVIDIA Jetson.
• Сложные конвейеры: Если в проекте нужно объединить обнаружение объектов с ключевыми точками позы (например, для спортивной аналитики) или точной сегментацией экземпляров (например, для медицинской визуализации), YOLO11 нативно решает все 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, в которых в рамках единого фреймворка требуются обнаружение объектов, сегментация, оценка позы и OBB.
• 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.
• Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн 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 только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Взгляд в будущее: возможности YOLO26#

Хотя YOLO11 — отличный выбор, сфера ИИ постоянно развивается. Командам, которые стремятся добиться максимальной эффективности и стабильности, для новых проектов в области компьютерного зрения лучше всего подойдёт YOLO26 (выпущена в январе 2026 года).

YOLO26 делает огромный шаг вперёд благодаря опциональной голове сквозной обработки без NMS (nms=False). Устранение постобработки методом подавления немаксимумов (NMS) избавляет от колебаний задержки и значительно упрощает логику развертывания — эта концепция впервые появилась в YOLOv10.

Кроме того, в YOLO26 реализовано удаление DFL (Distribution Focal Loss), что позволяет оптимизировать архитектуру и добиться инференса на CPU до 43% быстрее. Благодаря этому YOLO26 вне конкуренции для маломощных и периферийных устройств. Стабильность обучения также значительно повышает оптимизатор MuSGD — вдохновлённый LLM гибрид SGD и Muon, ускоряющий сходимость. В сочетании с такими продвинутыми функциями потерь, как ProgLoss + STAL, YOLO26 отлично обнаруживает небольшие объекты в сложных условиях, например на изображениях с дронов и периферийных датчиках IoT.

В заключение: хотя YOLOX привнесла важные архитектурные концепции в 2021 году, сегодня для исследователей и корпоративных разработчиков очевидным выбором стала экосистема Ultralytics благодаря широкому набору инструментов, эффективному использованию памяти и передовой производительности YOLO11, а особенно революционной архитектуре YOLO26.