YOLOv10 и YOLOv6-3.0#

В условиях стремительного развития компьютерного зрения выбор оптимальной архитектуры для детекции объектов важен для баланса между скоростью инференса, точностью модели и возможностью ее развертывания. В этом руководстве подробно и технически сравниваются две мощные модели: академический лидер YOLOv10 и ориентированная на промышленное применение YOLOv6-3.0. Обе модели предлагают уникальные архитектурные новшества и решают разные задачи развертывания систем компьютерного зрения реального времени.

Обзор YOLOv10: первопроходец сквозной детекции#

Выпущенная в середине 2024 года YOLOv10 изменила подход всего семейства YOLO, полностью устранив необходимость в подавлении немаксимумов (NMS) на этапе постобработки. Встроенная сквозная архитектура минимизирует задержки инференса и делает модель привлекательным выбором для периферийного ИИ и встраиваемых систем.

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• ArXiv: 2405.14458
• GitHub: THU-MIG/yolov10
• Документация: Документация Ultralytics YOLOv10

Архитектурные инновации#

YOLOv10 обеспечивает работу без NMS благодаря стратегии согласованного двойного назначения. Во время обучения модель использует разметку как «один ко многим», так и «один к одному», обогащая сигналы супервизии. При инференсе модель использует только голову «один к одному», устраняя вычислительные затраты, связанные с традиционной фильтрацией ограничивающих рамок. Кроме того, YOLOv10 использует комплексный дизайн, ориентированный на эффективность, тщательно оптимизируя внутренние компоненты, например слои сверточной нейронной сети, чтобы значительно сократить вычислительную избыточность и общее число параметров.

Подробнее о YOLOv10

Обзор YOLOv6-3.0: рабочая лошадка промышленности#

YOLOv6-3.0 разработана специально для промышленного применения и ориентирована на высокую пропускную способность GPU. Она особенно эффективна в средах, где используются устаревшие системы и интенсивная пакетная обработка на выделенном серверном оборудовании.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan
• Дата: 2023-01-13
• ArXiv: 2301.05586
• GitHub: meituan/YOLOv6
• Документация: Документация Ultralytics YOLOv6

Архитектурные инновации#

YOLOv6-3.0 выделяется глубоко оптимизированным бэкбоном EfficientRep, созданным для максимального ускорения инференса на аппаратных ускорителях, таких как GPU NVIDIA. В версии 3.0 появился модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков разных масштабов. Кроме того, в ней реализована стратегия обучения с поддержкой якорей (AAT), сочетающая быструю сходимость детекторов на основе якорей со способностью к обобщению, присущей безъякорным подходам.

Подробнее о YOLOv6

Сравнение производительности и метрик#

Сравнение исходной производительности наглядно показывает, как совершенствовалась архитектура YOLOv10 от поколения к поколению. YOLOv10 стабильно обеспечивает более высокую среднюю точность (mAP), используя при этом значительно меньше параметров и FLOPs.

YOLOv6-3.0 быстрее в варианте Nano при запуске исключительно через TensorRT на GPU T4, однако YOLOv10 для достижения более высокой точности требуется почти вдвое меньше памяти. Это заметно смещает баланс производительности в пользу современных сквозных архитектур.

Преимущества экосистемы Ultralytics#

Выбрав модель Ultralytics, например YOLOv10, ты получаешь гораздо больше, чем просто архитектуру: тебе доступна тщательно поддерживаемая экосистема, упрощающая весь жизненный цикл машинного обучения. YOLOv6 размещена в статичном исследовательском репозитории и не располагает надежными инструментами и поддержкой множества задач, которые предоставляет готовая экосистема Ultralytics.

• Простота использования: Python API Ultralytics обеспечивает удобную работу и позволяет разработчикам обучать и экспортировать модели всего несколькими строками кода.
• Универсальность: В отличие от YOLOv6, предназначенной исключительно для детекции, экосистема Ultralytics позволяет решать задачи сегментации экземпляров, оценки позы, классификации изображений и детекции ориентированных ограничивающих рамок (OBB) через единый интерфейс.
• Хорошо поддерживаемая экосистема: Пользуйся регулярными обновлениями, поддержкой активного сообщества и удобной интеграцией с отраслевыми стандартами, такими как OpenVINO и ONNX.

Пример кода: единые рабочие процессы обучения#

С помощью Ultralytics SDK обучать модели очень просто. Система автоматически выполняет сложные аугментации данных и масштабирование под устройство.

from ultralytics import YOLO

# Загрузи эффективную модель YOLOv10 (выбери голову без NMS с помощью nms=False)
model = YOLO("yolov10n.pt")

# Легко обучи модель с помощью конвейера Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0, batch=16)

# Запусти надежный инференс для детекции объектов
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Экспортируй модель в ONNX для упрощенного развертывания на периферийных устройствах
model.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между YOLOv10 и YOLOv6 зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLOv10#

YOLOv10 — хороший выбор для:

• Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
• Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
• Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для следующих задач:

• Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн и эффективная репараметризация модели обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрая одноэтапная детекция: приложения, где приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграция с экосистемой Meituan: команды, уже работающие с технологическим стеком и инфраструктурой развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

• Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Главная рекомендация: Ultralytics YOLO26#

YOLOv10 представила революционную концепцию работы без NMS, а YOLOv6-3.0 оптимизировала пропускную способность GPU, но по-настоящему передовым решением для производственных сред является Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 развивает основополагающие идеи предшественников и превращает их в оптимальную модель компьютерного зрения, изначально рассчитанную на периферийные устройства.

• Сквозной дизайн без NMS: Развивая идеи YOLOv10, опциональная голова YOLO26 без NMS (nms=False) устраняет постобработку NMS, стандартизируя конвейер развертывания и делая инференс высокопредсказуемым.
• Отказ от DFL: Удаление Distribution Focal Loss (DFL) значительно упрощает экспорт архитектуры и повышает совместимость и скорость работы на маломощных IoT-устройствах.
• Оптимизатор MuSGD: Вдохновленная инновациями в области больших языковых моделей, YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon), обеспечивая беспрецедентную стабильность обучения и значительно более быструю сходимость.
• Непревзойденная скорость на CPU: Благодаря оптимизациям для периферийных устройств YOLO26 обеспечивает инференс на CPU до 43% быстрее, чем модели предыдущих поколений, оставляя позади ориентированный на GPU дизайн YOLOv6-3.0.
• ProgLoss + STAL: Продвинутые функции потерь решают давние проблемы детекции мелких объектов, делая YOLO26 незаменимой для аэрофотосъемки и анализа данных с дронов.

Если ты хочешь модернизировать свой стек компьютерного зрения, переход будет простым. Такие модели, как YOLO11, остаются надежными, но именно YOLO26 в сочетании с интегрированной платформой Ultralytics определяет будущее доступного высокопроизводительного искусственного интеллекта.