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
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2026-01-14
- GitHub: Репозиторий Ultralytics на GitHub
- Документация: Официальная документация YOLO26
YOLOv6-3.0
- Авторы: Чуйи Ли, Лулу Ли, Ифэй Гэн, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдань Кэ, Сяомин Сюй и Сянсян Чу
- Организация: Meituan
- Дата: 2023-01-13
- arXiv: Статья о YOLOv6 v3.0
- GitHub: Репозиторий YOLOv6 на GitHub
- Документация: Документация YOLOv6
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
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.
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.