YOLO26 и YOLOv6-3.0#

Развитие компьютерного зрения ускоряется, предоставляя разработчикам мощные новые инструменты для приложений машинного обучения. Выбор подходящей архитектуры для развёртывания часто определяет успех проекта. В этом техническом сравнении мы рассмотрим ключевые различия между передовой YOLO26 и широко применяемой в промышленности YOLOv6-3.0, оценив их архитектуры, методы обучения и оптимальные сценарии развёртывания.

Происхождение и характеристики моделей#

Прежде чем перейти к показателям производительности, полезно разобраться в истории и целях разработки этих двух мощных моделей машинного 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

Узнай больше о YOLOv6-3.0

Архитектурные нововведения и различия#

Обе модели созданы для высокоскоростной детекции объектов, но достигают нужной производительности совершенно разными способами.

Ultralytics YOLO26: сквозная модель с приоритетом периферийных устройств#

Выпущенная в начале 2026 года YOLO26 стала огромным шагом вперёд в эффективности моделей. Самое значительное архитектурное улучшение — необязательная голова сквозной детекции без NMS (nms=False). Устраняя этап постобработки с традиционным подавлением немаксимумов (NMS) — подход, успешно впервые применённый в YOLOv10, — YOLO26 значительно уменьшает вариативность задержки, обеспечивая высокую предсказуемость при развёртывании на периферийных устройствах в реальном времени.

Кроме того, в YOLO26 удалён DFL. Исключение Distribution Focal Loss упрощает экспорт модели и значительно повышает совместимость с маломощными устройствами для периферийных вычислений. Благодаря этому инференс на CPU ускоряется до 43%, что делает YOLO26 исключительно эффективной моделью для работы без выделенных графических процессоров (GPUs), например на Raspberry Pi и мобильных устройствах.

YOLOv6-3.0: специалист для промышленности#

Разработанная командой машинного зрения Meituan, YOLOv6-3.0 — мощная CNN промышленного класса, тщательно оптимизированная для развёртывания с TensorRT на оборудовании NVIDIA. Модель активно использует методы самодистилляции и проектирование нейросетевой архитектуры с учётом особенностей оборудования. Она работает невероятно быстро на мощных GPU T4 или A100, но использует традиционную постобработку NMS, которая может стать узким местом на оборудовании с ограниченными ресурсами.

Баланс производительности и бенчмарки#

Главная проверка любой модели — её баланс между средней точностью (mAP), скоростью инференса и количеством параметров. Модели Ultralytics известны исключительно низкими требованиями к памяти и сбалансированной производительностью; они часто превосходят модели на основе Transformer, которым требуется очень много памяти CUDA.

Как видно из данных, YOLO26 неизменно достигает более высокого mAP, используя примерно вдвое меньше параметров, чем соответствующие модели YOLOv6. Например, YOLO26s превосходит YOLOv6-3.0s на 3,6 пункта mAP, используя почти вдвое меньше параметров (9,5 млн против 18,5 млн).

Эффективность и методы обучения#

Методы обучения в этих двух фреймворках существенно различаются. В YOLO26 представлен оптимизатор MuSGD — сочетание SGD и Muon, вдохновлённое Kimi K2 от Moonshot AI. Благодаря этому инновации обучения LLM напрямую применяются в компьютерном зрении, обеспечивая более стабильное обучение и невероятно быструю сходимость.

Кроме того, в YOLO26 используются функции потерь ProgLoss + STAL. Эти продвинутые функции потерь заметно улучшают распознавание небольших объектов, что особенно важно для ИИ в сельском хозяйстве и съёмки с дронов на большой высоте.

В свою очередь, YOLOv6-3.0 использует ресурсоёмкую стратегию самодистилляции. Она эффективна, но обычно требует более длительного обучения и больших вычислительных затрат для достижения оптимальной точности.

Экосистема и простота использования#

Одно из главных преимуществ YOLO26 — хорошо поддерживаемая платформа Ultralytics. Ultralytics известна тем, что ей очень легко пользоваться, даже если начинаешь с нуля. Разработчики могут установить пакет Python и начать обучение за несколько минут.

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 быстро работающих инженерных командах.

Пример кода: начало работы с YOLO26#

Обучать модели Ultralytics и запускать на них инференс невероятно просто. Надёжный API Python берёт на себя всю сложную работу:

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)

# Без лишних сложностей экспортируй модель в ONNX для развёртывания на CPU
model.export(format="onnx")

Непревзойдённая универсальность для разных задач машинного зрения#

YOLOv6-3.0 предназначена исключительно для детекции объектов с ограничивающими рамками, тогда как YOLO26 отличается невероятной универсальностью. С помощью того же простого API разработчики могут выполнять сегментацию экземпляров, классификацию изображений, оценку позы и детекцию ориентированных ограничивающих рамок (OBB).

YOLO26 включает улучшения для самых разных задач: например, функцию потерь для семантической сегментации, обеспечивающую точное маскирование до уровня пикселей, оценку остаточного логарифмического правдоподобия (RLE) для сверхточных ключевых точек и специальную функцию потерь угла для решения проблем с границами OBB.

Оптимальные сценарии применения#

Когда использовать YOLO26#

YOLO26 — безусловный лидер среди моделей для периферийных устройств, Интернета вещей (IoT) и робототехники. Инференс на CPU на 43% быстрее, а архитектура без NMS отлично подходит для систем охранной сигнализации в реальном времени, работающих на обычных CPU или маломощных чипах ARM. Благодаря превосходной детекции небольших объектов (за счёт ProgLoss + STAL) модель идеально подходит для обнаружения диких животных на аэрофотоснимках и анализа спутниковых изображений.

Когда использовать YOLOv6-3.0#

YOLOv6-3.0 отлично проявляет себя в строго контролируемых промышленных условиях, где серверы оснащены мощными GPU NVIDIA, например T4 или A100, и используют тщательно оптимизированные конвейеры TensorRT. Модель хорошо подходит для высокоскоростной детекции дефектов на производственных линиях, где аппаратная среда неизменна и допустимы колебания задержки NMS.

Другие модели#

Если ты изучаешь более широкий спектр решений для компьютерного зрения, тебя могут заинтересовать и другие модели экосистемы Ultralytics. Например, YOLO11 остаётся отличной универсальной моделью с огромной поддержкой сообщества. Если тебя интересуют именно архитектуры Transformer, модель RT-DETR обеспечивает высокую производительность благодаря механизмам внимания, но для её обучения требуется значительно больше памяти, чем для YOLO26. А для детекции с открытым словарём по текстовым запросам без обучения подойдёт YOLO-World.

Итоги#

И YOLOv6-3.0, и YOLO26 — выдающиеся инженерные достижения. Однако для современных приложений, которым нужны быстрая разработка, низкие затраты памяти и простое развёртывание на разнородных периферийных устройствах, Ultralytics YOLO26 — лучший выбор. Необязательная сквозная голова без NMS, революционный оптимизатор MuSGD и интеграция с мощной экосистемой Ultralytics позволяют командам быстрее, чем когда-либо, выводить передовые решения ИИ для машинного зрения в промышленную эксплуатацию.