Link to this sectionYOLOv5 против YOLO11#

При выборе подходящей архитектуры компьютерного зрения для нового проекта критически важно понимать эволюцию современных моделей. Переход от ранних архитектур к современным унифицированным фреймворкам подчеркивает значительные скачки как в алгоритмической эффективности, так и в опыте разработки. Это руководство содержит глубокий технический анализ двух знаковых моделей, разработанных Ultralytics: новаторской YOLOv5 и высокотехнологичной YOLO11.

Link to this sectionВведение в модели#

Обе эти архитектуры представляют собой важные вехи в области обнаружения объектов в реальном времени, предлагая различные преимущества в зависимости от среды развертывания и требований к поддержке унаследованных систем.

Link to this sectionYOLOv5: Рабочая лошадка индустрии#

Выпущенная летом 2020 года, YOLOv5 быстро стала отраслевым стандартом благодаря своей нативной реализации на PyTorch, что значительно снизило порог вхождения для обучения и развертывания. Она отошла от сложных C-фреймворков Darknet своих предшественников, предложив Pythonic-подход к построению моделей.

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: ultralytics/yolov5
• Документация: документация YOLOv5

YOLOv5 заложила прочную основу для простоты использования и представила мощные методологии обучения, включая продвинутую аугментацию данных мозаикой и авто-анкоринг. Она остается невероятно популярной среди исследователей, создающих решения на базе хорошо документированной и тщательно протестированной кодовой базы.

Узнай больше о YOLOv5

Link to this sectionYOLO11: Унифицированный фреймворк компьютерного зрения#

Основываясь на годах обратной связи и архитектурных исследований, YOLO11 была представлена как часть унифицированного фреймворка, способного нативно обрабатывать несколько задач компьютерного зрения. Выходя за рамки простых ограничивающих рамок, она была разработана с нуля для максимальной универсальности и эффективности.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLO11

YOLO11 предлагает оптимизированный пользовательский опыт через Python-пакет ultralytics, обладая простым API, который объединяет обнаружение объектов, сегментацию экземпляров, классификацию, оценку позы и ориентированные ограничивающие рамки (OBB). Она достигает исключительно выгодного баланса между скоростью и точностью, что делает ее идеальной для различных сценариев развертывания в реальном мире.

Узнай больше о YOLO11

Link to this sectionСравнение производительности и метрик#

Прямое сравнение этих моделей показывает, как архитектурные доработки преобразуются в ощутимый прирост производительности. В таблице ниже показана средняя точность (mAP), оцененная на наборе данных COCO, наряду со скоростью вывода на CPU и GPU, а также количеством параметров.

Link to this sectionАнализ результатов#

Показатели подчеркивают явный скачок в балансе производительности, достигнутом в YOLO11. Например, модель YOLO11n (nano) достигает 39,5% mAP по сравнению с 28,0% у YOLOv5n, одновременно сокращая время вывода на CPU при экспорте через ONNX. Кроме того, YOLO11 поддерживает значительно более низкие требования к памяти во время обучения по сравнению с тяжелыми моделями на базе Transformer, что делает ее легко доступной для развертывания на потребительском оборудовании и граничных устройствах.

Link to this sectionАрхитектурные различия#

Улучшения производительности в YOLO11 обусловлены несколькими ключевыми архитектурными изменениями. В то время как YOLOv5 использовала стандартный backbone CSPNet с модулями C3, YOLO11 представила более эффективные блоки извлечения признаков, такие как C2f и более поздний C3k2, которые оптимизируют градиентный поток и снижают вычислительные затраты.

YOLO11 также получила существенно доработанную «голову» (head). Отходя от анкорного дизайна старых моделей, новые архитектуры Ultralytics применяют подход без анкоров (anchor-free). Это сокращает количество предсказаний рамок, оптимизируя конвейер постобработки и улучшая способность модели к обобщению на разных масштабах и соотношениях сторон. Кроме того, эти модели обладают превосходной эффективностью обучения и легкодоступными предобученными весами, которые ускоряют сходимость при дообучении на пользовательских данных.

Link to this sectionРеализация и примеры кода#

Одной из выдающихся особенностей экосистемы Ultralytics является ее простота. В то время как YOLOv5 популяризировала использование torch.hub для быстрого вывода, YOLO11 идет еще дальше с унифицированным Python-пакетом ultralytics.

Link to this sectionОбучение с YOLO11#

Загрузка, обучение и валидация модели требуют минимум шаблонного кода. API легко справляется с настройкой гиперпараметров и управлением моделями.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")

# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")

Link to this sectionУнаследованный вывод с YOLOv5#

Если ты поддерживаешь старый конвейер, YOLOv5 напрямую интегрируется с механизмом загрузки PyTorch, что позволяет легко внедрить ее в существующие скрипты вывода.

import torch

# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")

# Print prediction details to the console
results.print()

Link to this sectionИдеальные варианты использования#

Выбор между этими моделями во многом зависит от стадии жизненного цикла твоего проекта и конкретных требований.

Link to this sectionКогда стоит выбрать YOLOv5#

• Поддержка унаследованных кодовых баз: Если твоя производственная среда сильно настроена под структуру репозитория YOLOv5 или специфические методы эволюции гиперпараметров.
• Академические эталоны: При публикации исследований, требующих прямого бенчмаркинга по сравнению с установленными стандартами компьютерного зрения 2020-2022 годов.

Link to this sectionКогда выбирать YOLO11#

• Многозадачные проекты: Когда твое приложение требует сочетания таких задач, как оценка позы и сегментация экземпляров, с использованием единого унифицированного API.
• Граничные развертывания (Edge Deployments): Для сценариев граничных вычислений, где критически важно получить максимальный mAP при заданном вычислительном бюджете (FLOPs).
• Коммерческие AI-решения: Идеально подходит для корпоративных приложений в розничной торговле и безопасности, используя надежную поддержку Ultralytics Platform.

Link to this sectionСледующее поколение: Ultralytics YOLO26#

Хотя YOLO11 представляет собой фантастический баланс скорости и точности, область искусственного интеллекта развивается быстро. Разработчикам, начинающим новые проекты сегодня, мы настоятельно рекомендуем изучить новейший стандарт в Vision AI: Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 представляет прорывные достижения, разработанные специально для нужд современного развертывания:

• End-to-End дизайн без NMS: Развивая концепции, впервые примененные в YOLOv10, YOLO26 является нативно сквозной (end-to-end). Это исключает необходимость в постобработке Non-Maximum Suppression (NMS), значительно упрощая конвейеры развертывания и снижая задержку.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM из таких моделей, как Kimi K2 от Moonshot AI, этот гибрид SGD и Muon обеспечивает невероятно стабильное обучение и значительно более быструю сходимость.
• Беспрецедентная скорость на CPU: Удалив Distribution Focal Loss (DFL), YOLO26 достигает до 43% более быстрого вывода на CPU, что делает ее абсолютно лучшим выбором для граничных устройств и сред без выделенных GPU.
• Продвинутые функции потерь: Интеграция ProgLoss и STAL дает заметные улучшения в распознавании мелких объектов, что критически важно для аналитики дронов, интернета вещей (IoT) и робототехники.
• Специфические для задач улучшения: Представлены специализированные оптимизации, такие как оценка остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированная функция потерь угла для ориентированных ограничивающих рамок, обеспечивающие превосходную производительность во всех задачах компьютерного зрения.

Узнай больше о YOLO26

Для пользователей, интересующихся специализированными архитектурами помимо стандартного обнаружения объектов, ты можешь изучить такие модели, как RT-DETR для обнаружения на базе Transformer или YOLO-World для трекинга и обнаружения с открытым словарем. Использование этих хорошо поддерживаемых и высокооптимизированных инструментов гарантирует, что твои конвейеры компьютерного зрения останутся эффективными, масштабируемыми и передовыми.