YOLOv10 против YOLO11#
Ландшафт компьютерного зрения постоянно развивается, и новые архитектуры расширяют границы возможного в обработке в реальном времени. Для разработчиков и исследователей, ориентирующихся в этой динамичной области, критически важно понимать нюансы между передовыми моделями. В этом подробном сравнении рассматриваются технические различия, компромиссы в производительности и идеальные сценарии использования для YOLOv10 и Ultralytics YOLO11, двух высокопроизводительных фреймворков для обнаружения объектов.
Хотя обе модели показывают впечатляющие результаты на эталонных наборах данных, их базовые подходы к проектированию и экосистемные интеграции существенно различаются. Изучив их архитектуры, ты сможешь определить, какое решение лучше всего соответствует твоим ограничениям при развертывании и целям проекта.
YOLOv10: Пионер в области NMS-free end-to-end детектирования#
Выпущенная весной 2024 года, YOLOv10 представила новый подход к традиционному конвейеру обнаружения объектов, напрямую решая проблему задержек, связанных с постобработкой.
- Авторы: Ао Ван, Хуэй Чен, Лихао Лю и др.
- Организация: Tsinghua University
- Дата: 23 мая 2024 г.
- Научная статья: arXiv:2405.14458
- Исходный код: THU-MIG/yolov10 на GitHub
- Документация: Документация YOLOv10
Главной инновацией YOLOv10 является стратегия согласованного двойного назначения, которая обеспечивает обучение без NMS. Традиционные детекторы объектов сильно зависят от Non-Maximum Suppression (NMS) для фильтрации избыточных предсказаний ограничивающих прямоугольников. Удалив этот шаг, YOLOv10 реализует истинное сквозное обнаружение, снижая задержку инференса и упрощая развертывание на аппаратных ускорителях вроде Neural Processing Units (NPUs), где пользовательские операции NMS традиционно сложно оптимизировать.
YOLO11: Универсальность и производительность в рамках экосистемы#
Выпущенная позже в том же году, YOLO11 представляет собой результат непрерывного совершенствования семейства моделей Ultralytics, сфокусированный на оптимальном балансе скорости, точности и удобства для разработчика.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 27 сентября 2024 г.
- Исходный код: Ultralytics на GitHub
- Интеграция с платформой: Ultralytics Platform
YOLO11 разработана для продакшена. Хотя она отлично справляется со стандартным обнаружением ограничивающих прямоугольников, ее истинная сила заключается в ее универсальности. В отличие от YOLOv10, которая в основном ориентирована на обнаружение объектов, YOLO11 изначально поддерживает задачи сегментации экземпляров, оценки позы, классификации изображений и ориентированных ограничивающих прямоугольников (OBB) с использованием единой архитектуры. Она отличается удивительно низкими требованиями к памяти во время обучения, что делает ее легко доступной для команд, работающих с потребительскими GPU, по сравнению с более тяжелыми архитектурами на базе Transformer.
Сравнение производительности и метрик#
При прямом сравнении этих моделей важно посмотреть, как они показывают себя для различных вариантов масштаба на стандартных бенчмарках, таких как датасет COCO.
В таблице ниже выделены различия в производительности. YOLO11 часто превосходит YOLOv10 по mAP в большинстве категорий размеров, сохраняя при этом очень конкурентоспособную скорость инференса TensorRT.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Чтобы воспроизвести эту высокую скорость инференса локально, убедись, что ты экспортируешь свои модели в оптимизированные форматы, такие как OpenVINO для CPU от Intel или TensorRT для GPU от NVIDIA.
Глубокое изучение архитектуры#
Методология обучения и эффективность#
Архитектура YOLOv10 делает упор на снижение вычислительной избыточности. Оптимизируя дизайн бэкбона и неков с помощью комплексной стратегии эффективности и точности, авторы из Университета Цинхуа смогли значительно сократить количество параметров в моделях среднего уровня (например, YOLOv10m) по сравнению с предыдущими итерациями.
Тем не менее, эффективность обучения является главной отличительной чертой моделей Ultralytics. YOLO11 использует высоко оптимизированный пакет Python ultralytics, который абстрагирует сложную настройку гиперпараметров. Этот фреймворк автоматически справляется с продвинутыми аугментациями данных, планированием скорости обучения и распределенным обучением на нескольких GPU «из коробки». Архитектура YOLO11 также демонстрирует отличный поток градиентов, что приводит к более быстрой сходимости и меньшему использованию VRAM на этапе обучения.
Простота использования и преимущество экосистемы#
Критическим фактором для внедрения в корпоративной среде является хорошо поддерживаемая экосистема. Исследовательские репозитории, несмотря на свою новизну, часто становятся заброшенными после публикации научной статьи. Экосистема Ultralytics, стоящая за YOLO11, обеспечивает бесшовный опыт разработки от начала до конца.
Бесшовно интегрируясь с такими инструментами, как Weights & Biases для отслеживания экспериментов и Roboflow для управления датасетами, YOLO11 ускоряет переход от прототипа к продакшену. Простота использования очевидна в лаконичном API, позволяющем разработчикам обучать и экспортировать модели всего с помощью нескольких строк кода.
from ultralytics import YOLO
# Initialize the YOLO11 small model
model = YOLO("yolo11s.pt")
# Train the model efficiently with optimized memory handling
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="0")
# Export to ONNX format for deployment flexibility
model.export(format="onnx")Сценарии использования и рекомендации#
Выбор между YOLOv10 и YOLO11 зависит от специфических требований твоего проекта, ограничений развертывания и предпочтений в экосистеме.
Когда стоит выбрать YOLOv10#
YOLOv10 — отличный выбор для:
- Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
- Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
- Приложения с постоянной задержкой: Сценарии развертывания, где предсказуемое время вывода критически важно, например, в robotics или автономных системах.
Когда выбирать YOLO11#
YOLO11 рекомендуется для:
- Развертывание на периферийных устройствах для продакшена: Коммерческие приложения на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где надежность и активное обслуживание имеют первостепенное значение.
- Многозадачные приложения компьютерного зрения: Проекты, требующие обнаружения, сегментации, оценки позы и OBB в рамках единого универсального фреймворка.
- Быстрое прототипирование и развертывание: Команды, которым необходимо быстро перейти от сбора данных к продакшену с помощью удобного Ultralytics Python API.
Когда выбирать Ultralytics (YOLO26)#
Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:
- Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
- Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
- Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.
Изучение других архитектур#
Хотя YOLOv10 и YOLO11 — отличные варианты, твоему конкретному сценарию использования могут подойти и другие архитектуры, доступные в документации. Для рассуждений на основе последовательностей модели Transformer, такие как RT-DETR, обеспечивают высокую точность, хотя обычно требуют больших объемов памяти. И наоборот, если тебе нужны возможности zero-shot для идентификации новых классов без переобучения, YOLO-World предлагает подход с открытым словарем, управляемый подсказками на естественном языке.
Следующее поколение: YOLO26#
Для команд, стремящихся к абсолютному уровню state-of-the-art, недавно выпущенная Ultralytics YOLO26 объединяет лучшие функции обеих рассмотренных выше моделей. Выпущенная в январе 2026 года, YOLO26 является главной рекомендацией для современных сценариев развертывания.
Опираясь на фундамент своих предшественников, YOLO26 нативно включает End-to-End NMS-Free дизайн, эффективно устраняя узкие места постобработки, с которыми впервые справилась YOLOv10, но делает это в рамках надежной экосистемы Ultralytics. Кроме того, YOLO26 поддерживает удаление DFL (Distribution Focal Loss), что радикально упрощает графы экспорта модели и повышает совместимость с edge-устройствами и маломощными устройствами IoT.
Стабильность обучения также совершила качественный скачок с внедрением оптимизатора MuSGD — гибридного подхода, вдохновленного методологиями обучения LLM, который обеспечивает невероятно быструю сходимость. В сочетании с продвинутыми функциями потерь, такими как ProgLoss + STAL, YOLO26 обеспечивает заметные улучшения в распознавании мелких объектов. Для развертывания на стандартных edge-устройствах эти архитектурные улучшения приводят к ускорению вывода на CPU до 43%, что делает YOLO26 непревзойденным выбором для любых задач компьютерного зрения.