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.
- 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#
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.
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.
- 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 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.
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
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.
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.
- Простота использования: Python API Ultralytics обеспечивает удобную работу и позволяет разработчикам обучать и экспортировать модели всего несколькими строками кода.
- Универсальность: В отличие от YOLOv6, ориентированной на детекцию, экосистема Ultralytics позволяет запускать сегментацию экземпляров, классификацию изображений, оценку позы и детекцию ориентированных ограничивающих рамок (OBB) через единый интерфейс.
- Хорошо поддерживаемая экосистема: Частые обновления, сильная поддержка сообщества и интеграции с отраслевыми стандартами, такими как OpenVINO и ONNX.
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.
Рекомендуемая модель: Ultralytics YOLO26#
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.