Начать

YOLOv10 и YOLOv6-3.0

В компьютерном зрении правильный выбор архитектуры для обнаружения объектов крайне важен для баланса между скоростью инференса, точностью модели и возможностью развертывания. В этом руководстве подробно сравниваются две модели: академическая YOLOv10 и ориентированная на промышленное применение YOLOv6-3.0. Обе предлагают уникальные архитектурные новшества и решают разные задачи развертывания систем компьютерного зрения в реальном времени.

Обзор YOLOv10: обнаружение в реальном времени без NMS#

Выпущенная в мае 2024 года YOLOv10 внедрила обучение без NMS в семейство YOLO, устранив необходимость в подавлении немаксимумов (NMS) на этапе постобработки. Такая сквозная архитектура сводит к минимуму узкие места, связанные с задержкой инференса, что делает ее привлекательным вариантом для периферийного ИИ и встроенных систем.

Архитектурные инновации#

Возможность работать без NMS в YOLOv10 обеспечивается стратегией согласованных двойных назначений. Во время обучения модель использует назначения меток «один ко многим» и «один к одному», обогащая обучающие сигналы. Для инференса используется голова один-к-одному (выбери ее с помощью nms=False в пакете Ultralytics), что устраняет вычислительные затраты, связанные с традиционной фильтрацией ограничивающих рамок. Кроме того, YOLOv10 разработана с учетом общей эффективности и оптимизирует внутренние компоненты, например слои сверточной нейронной сети, чтобы сократить вычислительную избыточность и общее количество 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 лучше всего показывает себя в задачах интенсивной пакетной обработки на выделенных GPU серверного класса.

Архитектурные инновации#

YOLOv6-3.0 выделяется глубоко оптимизированной магистральной сетью EfficientRep, созданной для максимальной скорости инференса на аппаратных ускорителях, таких как GPU NVIDIA. В версии 3.0 появился модуль двунаправленной конкатенации (BiC), улучшающий объединение признаков разных масштабов. Кроме того, в ней реализована стратегия обучения с помощью якорей (AAT), сочетающая быструю сходимость детекторов на основе якорей со способностью к обобщению безъякорных подходов.

Подробнее о YOLOv6

Сравнение производительности и метрик#

При анализе производительности архитектурные улучшения YOLOv10 становятся очевидны. YOLOv10 обеспечивает более высокую среднюю точность (mAP), используя при этом значительно меньше параметров и FLOPs.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

Хотя вариант Nano у YOLOv6-3.0 быстрее при чистом выполнении TensorRT на GPU T4, YOLOv10 использует примерно вдвое меньше параметров или меньше при каждом размере модели и при этом обеспечивает более высокую точность, что меняет общий баланс производительности в его пользу.

Эффективное использование памяти

Для обучения и инференса моделям Ultralytics YOLO обычно требуется меньше памяти, чем сложным моделям на основе трансформеров, поэтому их проще масштабировать и развертывать на устройствах с ограниченными ресурсами.

Преимущества экосистемы Ultralytics#

Использование YOLOv10 через пакет Ultralytics дает больше, чем просто доступ к архитектуре: это поддерживаемая экосистема, которая упрощает весь жизненный цикл машинного обучения. Исходный репозиторий YOLOv6 ориентирован на исследования, а Ultralytics поддерживает YOLOv6 только в виде моделей детекции, определенных в YAML, без предварительно обученных весов.

Пример кода: единые рабочие процессы обучения#

С пакетом Ultralytics для Python обучать модели просто. Система автоматически обрабатывает сложные аугментации данных и масштабирование под устройства.

from ultralytics import YOLO

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

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

# Запусти 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, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

YOLOv10 добавила обучение без NMS в модели YOLO, а YOLOv6-3.0 оптимизировала пропускную способность GPU, но для промышленного применения мы рекомендуем Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 развивает основные идеи предшественников и воплощает их в семействе моделей компьютерного зрения с приоритетом периферийных устройств.

  • Сквозная архитектура без NMS: Развивая идеи YOLOv10, дополнительная голова YOLO26 без NMS (nms=False) пропускает этап постобработки NMS, упрощая конвейер развертывания и делая задержку более предсказуемой.
  • Удаление DFL: Удаление Distribution Focal Loss (DFL) упрощает экспорт и повышает совместимость и скорость на маломощном оборудовании IoT.
  • Оптимизатор MuSGD: Вдохновленная новыми методами обучения больших языковых моделей, YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon), обеспечивающий более стабильное обучение и быструю сходимость.
  • Более быстрый инференс на CPU: Благодаря оптимизациям для периферийных устройств YOLO26n обеспечивает до 43% более быстрый инференс на CPU, чем YOLO11n, тогда как YOLOv6-3.0 в первую очередь рассчитана на высокую пропускную способность GPU.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом малых объектов улучшают детекцию малых объектов, поэтому YOLO26 хорошо подходит для аэрофотоснимков и анализа данных с дронов.

Если ты хочешь обновить свой стек компьютерного зрения, переход будет простым. Такие модели, как YOLO11, по-прежнему полностью поддерживаются, но для новых проектов рекомендуется YOLO26 вместе с платформой Ultralytics.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.