Начать

YOLO26 и YOLOv6-3.0

Выбор правильной архитектуры для развёртывания часто определяет успех проекта в области машинного обучения. В этом техническом сравнении рассматриваются ключевые различия между Ultralytics YOLO26 и ориентированной на индустрию YOLOv6-3.0: анализируются их архитектуры, методики обучения и оптимальные сценарии развёртывания.

Происхождение и характеристики моделей#

Перед сравнением показателей производительности полезно разобраться в истории и направлениях разработки этих двух моделей компьютерного зрения.

YOLO26

YOLOv6-3.0

Узнай больше о YOLOv6-3.0

Архитектурные нововведения и различия#

Обе модели предназначены для высокоскоростного обнаружения объектов, но достигают такой производительности разными способами.

Ultralytics YOLO26: сквозная модель с приоритетом периферийных устройств#

Выпущенная в январе 2026 года, YOLO26 ориентирована на эффективность модели. Самое значительное архитектурное улучшение — опциональная голова сквозного режима без NMS (nms=False). Устраняя традиционный этап постобработки — подавление немаксимумов (NMS), — концепцию которого в модели YOLO внедрила YOLOv10, YOLO26 уменьшает вариативность задержки, обеспечивая более предсказуемую работу при развертывании в реальном времени на периферийных устройствах.

Кроме того, в YOLO26 реализовано удаление DFL. Удаление Distribution Focal Loss упрощает экспорт и повышает совместимость с маломощными устройствами для периферийных вычислений. Вместе с другими оптимизациями это позволяет YOLO26n работать на CPU до 43% быстрее, чем YOLO11n, что делает её подходящей для сред без выделенных графических процессоров (GPUs), например Raspberry Pi и мобильных устройств.

YOLOv6-3.0: специалист для промышленности#

Разработанная командой компьютерного зрения Meituan, YOLOv6-3.0 — это промышленная CNN, оптимизированная для развёртывания с помощью TensorRT на оборудовании NVIDIA. В ней применяются методы самодистилляции и проектирование нейросетевой архитектуры с учётом аппаратного обеспечения. Модель очень быстро работает на GPU T4 или A100, но использует традиционную постобработку NMS, которая может стать узким местом на устройствах с ограниченными ресурсами.

Баланс производительности и бенчмарки#

Настоящая проверка любой модели — это баланс между средней точностью (mAP), скоростью инференса и количеством параметров. Модели Ultralytics известны низкими требованиями к памяти и хорошим балансом производительности; им часто требуется значительно меньше памяти CUDA, чем моделям на основе Transformer.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

При любом размере YOLO26 обеспечивает более высокий mAP, чем YOLOv6-3.0, примерно с вдвое меньшим количеством параметров или даже меньшим. Например, YOLO26s превосходит YOLOv6-3.0s на 3,6 пункта mAP, используя почти вдвое меньше параметров (9,5 млн против 18,5 млн). YOLOv6-3.0n быстрее на GPU T4 (1,17 мс против 1,7 мс), а начиная с масштаба s быстрее YOLO26.

Эффективное использование памяти

Меньшее количество параметров и FLOPs у YOLO26 означает более низкое потребление памяти при обучении и инференсе по сравнению с YOLOv6, что позволяет использовать более крупные размеры пакетов на стандартном потребительском оборудовании.

Эффективность и методы обучения#

Методики обучения в этих двух фреймворках различаются. В YOLO26 используется оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый Kimi K2 от Moonshot AI. Он переносит инновации в обучении LLM непосредственно в компьютерное зрение, обеспечивая более стабильное обучение и быструю сходимость.

В YOLO26 также используются ProgLoss + STAL — схема балансировки прогрессивной функции потерь и стратегия назначения меток с учётом небольших объектов. Вместе они улучшают распознавание небольших объектов, что важно для ИИ в сельском хозяйстве и аэрофотоснимков, полученных с большой высоты.

В отличие от неё, YOLOv6-3.0 использует стратегию самодистилляции. Хотя она эффективна, для достижения оптимальной точности обычно требуются более длительные циклы обучения и дополнительные вычислительные ресурсы.

Экосистема и простота использования#

Одно из главных преимуществ YOLO26 — хорошо поддерживаемая платформа Ultralytics. Разработчики могут установить пакет Python и начать обучение за считаные минуты.

В отличие от неё, для работы с YOLOv6 нужно клонировать исследовательский репозиторий, вручную управлять зависимостями и разбираться в сложных скриптах запуска, что может замедлить развёртывание в инженерных командах.

Пример кода: начало работы с YOLO26#

Для обучения и запуска инференса с моделями Ultralytics достаточно нескольких строк в API Python:

from ultralytics import YOLO

# Загрузи высокоэффективную нано-модель YOLO26
model = YOLO("yolo26n.pt")

# Обучить модель на наборе данных COCO8 в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Выполни сквозной инференс без NMS на изображении
results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируй в ONNX для развертывания на CPU
model.export(format="onnx")

Универсальность для задач компьютерного зрения#

YOLOv6-3.0 предназначена исключительно для обнаружения объектов с ограничивающими рамками, а YOLO26 поддерживает гораздо больше задач. С тем же API разработчики могут выполнять сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).

В YOLO26 есть целевые улучшения для разных задач: например, функция потерь для семантической сегментации улучшает маски, Residual Log-Likelihood Estimation (RLE) позволяет точнее определять ключевые точки, а специализированная функция потерь для угла решает проблемы на границах OBB.

Оптимальные сценарии применения#

Когда использовать YOLO26#

YOLO26 лучше подходит для периферийных устройств, Интернета вещей (IoT) и робототехники. Более быстрый инференс на CPU и опциональная голова без NMS делают модель подходящей для систем охранной сигнализации реального времени, работающих на стандартных CPU или маломощных чипах ARM. Улучшенное обнаружение небольших объектов благодаря ProgLoss + STAL подходит для обнаружения диких животных на аэрофотоснимках и анализа спутниковых изображений.

Когда использовать YOLOv6-3.0#

YOLOv6-3.0 особенно хороша для строго контролируемых промышленных сред, где серверы оснащены мощными GPU NVIDIA (например, T4 или A100) и выполняют оптимизированные конвейеры TensorRT. Модель хорошо подходит для высокоскоростного обнаружения дефектов на производственных линиях, где аппаратная среда неизменна, а вариации задержки NMS допустимы.

Другие модели#

Тебе также могут быть интересны другие модели, поддерживаемые экосистемой Ultralytics. Например, YOLO11 остаётся мощной универсальной моделью, широко принятой сообществом. Если тебя интересуют архитектуры Transformer, модель RT-DETR предлагает обнаружение объектов с механизмом внимания, но требует больше памяти для обучения, чем YOLO26. Для обнаружения объектов с открытым словарём по текстовым запросам без обучения сразу из коробки используй YOLO-World.

Итоги#

И YOLOv6-3.0, и YOLO26 — впечатляющие инженерные достижения. Для приложений, где важны быстрая разработка, низкие затраты памяти и развёртывание на разнообразных периферийных устройствах, Ultralytics YOLO26 — лучший выбор. Её опциональная сквозная голова без NMS, оптимизатор MuSGD и интеграция с экосистемой Ultralytics помогают командам быстро внедрять ИИ для компьютерного зрения в производство.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.