Перейти к содержанию

YOLO26 против YOLOv6. YOLOv6: эволюция обнаружения объектов в реальном времени

В период с 2023 по 2026 год в области компьютерного зрения произошли кардинальные изменения. В то время как YOLOv6.YOLOv6 установила значительные стандарты для промышленных приложений после своего выпуска, Ultralytics представляет собой поколенческий скачок в архитектуре, эффективности и простоте использования. В этом всестороннем сравнении исследуется, как эти две модели соотносятся с точки зрения архитектурных инноваций, показателей производительности и применимости в реальных условиях.

Краткое изложение

YOLOv6.YOLOv6, выпущенный Meituan в начале 2023 года, был разработан с упором на промышленное внедрение, в частности, с оптимизацией GPU с помощью TensorRT. В нем было введено понятие «перезагрузки» с улучшенными стратегиями квантования и дистилляции.

YOLO26, выпущенный Ultralytics январе 2026 года, представляет собой фундаментальный сдвиг благодаря своей нативной сквозной конструкции NMS, впервые примененной в YOLOv10. Благодаря устранению Non-Maximum Suppression (NMS) и Distribution Focal Loss (DFL), YOLO26 достигает до 43% более быстрой CPU , что делает его лучшим выбором для пограничных вычислений, мобильного развертывания и робототехники в реальном времени, где GPU могут быть ограничены.

Технические характеристики и производительность

В следующей таблице показаны различия в производительности между двумя семействами моделей. YOLO26 демонстрирует превосходную точность (mAP) во всех масштабах, сохраняя при этом исключительную скорость, особенно при выводах CPU, где особенно заметны преимущества архитектурных оптимизаций.

Модельразмер
(пиксели)		mAPval
50-95		Скорость
CPU ONNX
(мс)		Скорость
T4 TensorRT10
(мс)		параметры
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
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

Архитектурные инновации

Ultralytics YOLO26

YOLO26 представляет несколько революционных функций, которые переопределяют эффективность:

  • Полная NMS: благодаря непосредственному прогнозированию объектов без необходимости постобработки NMS, YOLO26 упрощает процесс внедрения и снижает изменчивость задержки, что является критически важным фактором для систем, от которых зависит безопасность, таких как автономные транспортные средства.
  • MuSGD Optimizer: вдохновленный методами обучения больших языковых моделей (LLM) (в частности, Kimi K2 от Moonshot AI), этот гибридный оптимизатор сочетает в себе SGD Muon, чтобы обеспечить стабильное обучение и более быструю конвергенцию даже при меньших размерах партий.
  • Удаление DFL: удаление Distribution Focal Loss оптимизирует архитектуру модели, упрощая экспорт в такие форматы, как ONNX и CoreML более эффективным для периферийных устройств.
  • ProgLoss + STAL: новые функции потери улучшают обнаружение мелких объектов, устраняя распространенный недостаток предыдущих поколений и принося пользу таким приложениям, как воздушное наблюдение и медицинская визуализация.

Узнайте больше о YOLO26

YOLOv6-3.0

YOLOv6.0 фокусируется на оптимизации базовой структуры в стиле RepVGG для повышения эффективности аппаратного обеспечения:

  • Двунаправленное соединение (BiC): используется в шее для улучшения слияния функций.
  • Обучение с помощью якорей (AAT): стратегия, которая стабилизирует обучение с помощью якорей на этапе разминки перед переходом к выводу без якорей.
  • Самодистилляция: стандартная функция в версии 3.0, при которой модель учится на своих собственных прогнозах, чтобы повысить точность без увеличения затрат на вывод.

Ключевое отличие: постобработка

YOLOv6 использует NMS Non-Maximum Suppression) для фильтрации перекрывающихся прямоугольников. Этот шаг часто выполняется медленно на процессорах и требует тщательной настройки параметров.

YOLO26 NMS использует NMS, что означает, что необработанный вывод модели является окончательным списком обнаруженных объектов. Это обеспечивает детерминированную задержку и более быстрое выполнение на устройствах CPU, таких как Raspberry Pi.

Обучение и удобство использования

Опыт Ultralytics

Одним из наиболее значительных преимуществ YOLO26 является его интеграция в Ultralytics . Разработчики получают преимущества от унифицированного API, который обеспечивает беспрепятственную поддержку обнаружения, сегментации, оценки позы и классификации.

  • Простота использования: для загрузки, обучения и развертывания модели достаточно нескольких строк Python .
  • Интеграция платформы: встроенная поддержка Ultralytics позволяет проводить обучение в облаке, управлять наборами данных и выполнять автоматическую аннотацию.
  • Эффективность использования памяти: YOLO26 оптимизирован для работы на потребительском оборудовании и требует значительно меньше CUDA , чем альтернативные решения на основе трансформаторов, такие как RT-DETR.
from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with the MuSGD optimizer (auto-configured)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to ONNX - NMS-free by default
path = model.export(format="onnx")

YOLOv6

YOLOv6 как более традиционный репозиторий исследований. Несмотря на свою мощность, он требует от пользователей клонирования конкретного репозитория GitHub, ручного управления зависимостями и запуска обучения с помощью сложных скриптов оболочки. В нем отсутствует унифицированная структура Python и поддержка различных задач (таких как native OBB или Pose), которые есть в Ultralytics .

Варианты использования и универсальность

Идеальные сценарии для YOLO26

  • Edge AI & IoT: Увеличение CPU на 43% и удаление DFL делают YOLO26 лучшим в своем классе вариантом для таких устройств, как Raspberry Pi, NVIDIA Nano и мобильные телефоны.
  • Робототехника: Комплексная конструкция обеспечивает низкую задержку и детерминированные результаты, необходимые для навигации роботов.
  • Многозадачные приложения: благодаря поддержке сегментации, оценки позы и OBB, одна платформа может обрабатывать сложные конвейеры, такие как анализ механики игроков в спорте или проверка нестандартных посылок в логистике.

Идеальные сценарии для YOLOv6-3.0

  • Устаревшие GPU : для существующих промышленных конвейеров, значительно оптимизированных для TensorRT или 8 на старом оборудовании (например, GPU T4), YOLOv6 стабильным выбором.
  • Задачи чистого обнаружения: в сценариях, строго ограниченных обнаружением ограничивающих рамок, где инфраструктура уже построена на основе YOLOv6 .

Заключение

В то время как YOLOv6.YOLOv6 был серьезным конкурентом в 2023 году, Ultralytics предлагает комплексное обновление для 2026 года и далее. Решая проблему NMS , уменьшая сложность модели для экспорта и интегрируя такие расширенные функции, как оптимизатор MuSGD, YOLO26 обеспечивает превосходную производительность с минимальными затруднениями при развертывании.

Для разработчиков, которые ищут перспективное решение, сочетающее в себе современную точность и простоту рабочего процесса «от нуля до героя», рекомендуется выбрать YOLO26.

Дополнительная литература

Ознакомьтесь с другими моделями Ultralytics , чтобы найти идеальное решение для ваших конкретных потребностей:

  • YOLO11: Надежный предшественник YOLO26, известный своей отличной универсальной производительностью.
  • YOLOv10: пионер архитектуры «от конца до конца», который проложил путь для YOLO26.
  • YOLO: идеально подходит для обнаружения с открытым словарем, когда необходимо detect , отсутствующие в обучающем наборе.

Сравнение деталей

YOLO26

YOLOv6-3.0


Комментарии