YOLOv5 против YOLOv6-3.0: Всестороннее Техническое Сравнение

В быстро развивающейся области компьютерного зрения лишь немногие семейства моделей оказали столь же значительное влияние, как серия YOLO You Only Look Once). В данном сравнении подробно рассматриваются две важные итерации: Ultralytics YOLOv5, легендарной модели, которая демократизировала обнаружение объектов благодаря своей удобности, и YOLOv6.YOLOv6, мощной версии от Meituan, ориентированной на промышленные приложения. Мы рассмотрим их архитектурные различия, показатели производительности и идеальные варианты использования, чтобы помочь вам выбрать подходящий инструмент для вашего проекта.

Краткое изложение

Обе модели представляют собой важные вехи в области обнаружения объектов в реальном времени. YOLOv5 известен своей беспрецедентной простотой использования, надежностью и обширной экосистемой, которая поддерживает весь жизненный цикл машинного обучения. YOLOv6.YOLOv6 уделяет большое внимание оптимизации пропускной способности для конкретного GPU , что делает его сильным конкурентом для промышленного внедрения, где основным ограничением является задержка в миллисекундах на выделенном оборудовании.

Однако для разработчиков, начинающих новые проекты в 2026 году, ситуация еще больше изменилась. Выпуск Ultralytics представляет собой нативный комплексный дизайн NMS и до 43% более быстрое CPU , предлагая убедительное обновление по сравнению с обоими предшественниками.

YOLOv5 Ultralytics YOLOv5

Выпущено в июне 2020 года Гленном Джочером и Ultralytics, YOLOv5 изменил взаимодействие разработчиков с ИИ. Это была не просто модель, а полноценная платформа, разработанная для обеспечения доступности.

Авторы: Гленн Джокер
Организация:Ultralytics
Дата: 2020-06-26
GitHub:ultralytics/yolov5

YOLOv5 удобству использования и универсальности. Он поддерживает широкий спектр задач, помимо обнаружения, включая сегментацию экземпляров и классификацию изображений. Его архитектура обеспечивает баланс между скоростью и точностью при низких требованиях к памяти, что делает его невероятно удобным для развертывания на периферийных устройствах, таких как Raspberry Pi или NVIDIA .

Узнайте больше о YOLOv5

Обзор Meituan YOLOv6-3.0

YOLOv6, разработанный Meituan, позиционируется как одноэтапный детектор объектов, предназначенный для промышленного применения. В версии 3.0, названной «A Full-Scale Reloading» (Полная перезагрузка), были внесены значительные изменения в архитектуру для повышения производительности на стандартных тестах.

Авторы: Чуйи Ли, Лулу Ли, Ифэй Генг и др.
Организация: Meituan
Дата: 2023-01-13
Arxiv:YOLOv6 v3.0: A Full-Scale Reloading
GitHub:meituan/YOLOv6

YOLOv6.0 использует базовую структуру типа RepVGG, которая эффективна для GPU , но может быть более сложной в обучении из-за необходимости структурной перепараметризации.

Узнайте больше о YOLOv6

Сравнение метрик производительности

В следующей таблице представлены ключевые показатели производительности на наборе данных COCO . В то время как YOLOv6. YOLOv6 демонстрирует высокие показатели на определенном GPU , YOLOv5 отличную CPU и меньшее количество параметров во многих конфигурациях.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

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

Контекст производительности

Сравнительные показатели имеют решающее значение, но реальная производительность в значительной степени зависит от среды развертывания. Ultralytics часто предпочитают из-за их универсальности и надежности на различном оборудовании, а не только из-за пиковой GPU .

Архитектурное Глубокое Погружение

Архитектура YOLOv5

YOLOv5 магистраль CSPDarknet, которая очень эффективна при извлечении признаков. Его конструкция включает:

Focus Layer (позже интегрирован в Conv): уменьшает пространственное измерение, увеличивая глубину канала, оптимизируя скорость.
CSP (Cross Stage Partial) Bottleneck: минимизирует избыточность градиентной информации, сокращая количество параметров и FLOP, одновременно повышая точность.
PANet Neck: улучшает распространение функций для более точной локализации.
Головка на основе анкеров: использует заранее определенные анкерные рамки для прогнозирования местоположения объектов.

Архитектура YOLOv6-3.0

YOLOv6.0 использует другую философию, адаптированную для GPU :

RepVGG Backbone: использует структурную перепараметризацию, позволяя свести многоветвистое обучение (для лучшей конвергенции) к однопутевой модели инференции (для скорости).
EfficientRep Bi-Fusion Neck: упрощенная конструкция шейки для уменьшения задержки.
Головка без анкера: устраняет анкерные коробки, непосредственно прогнозируя координаты ограничивающей коробки, что упрощает конструкцию, но может потребовать тщательной настройки функции потерь.

Преимущество Ultralytics

Хотя сырые метрики важны, ценность модели часто определяется тем, насколько легко ее можно интегрировать в производственный рабочий процесс. Именно в этом превосходство Ultralytics .

1. Простота использования и экосистема.

Ultralytics беспроблемный переход от нуля к успеху. С помощью ultralytics Python , вы можете обучать, проверять и развертывать модели всего за несколько строк кода. Интеграция с Ultralytics Platform позволяет легко управлять наборами данных, автоматическая аннотацияи обучение по работе с облачными технологиями.

from ultralytics import YOLO

# Load a model (YOLOv5 or the recommended YOLO26)
model = YOLO("yolo26n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100)

# Export to ONNX for deployment
path = model.export(format="onnx")

Напротив, развертывание моделей, ориентированных на исследования, часто требует навигации по сложным конфигурационным файлам и ручного управления зависимостями.

2. Универсальность в различных задачах

YOLOv5 его последователи (такие как YOLO11 и YOLO26) не ограничиваются обнаружением объектов. Они изначально поддерживают:

Сегментация экземпляров: для понимания на уровне пикселей.
Оценка позы: для отслеживания ключевых точек на теле человека.
Классификация: для категоризации всего изображения.
OBB: для обнаружения ориентированных ограничительных рамок, что имеет решающее значение при работе с аэрофотоснимками.

YOLOv6 в первую очередь модель для обнаружения объектов, с ограниченной поддержкой других задач.

3. Эффективность обучения и память

Ultralytics оптимизированы для эффективности обучения. Как правило, они требуют меньше CUDA во время обучения по сравнению с архитектурами с большим количеством трансформаторов или сложными перепараметризованными моделями. Это позволяет разработчикам использовать более крупные пакеты данных на потребительских графических процессорах, что делает доступ к высокопроизводительному обучению ИИ более демократичным.

Будущее: почему стоит перейти на YOLO26?

Разработчикам, стремящимся к максимальной производительности, Ultralytics YOLO26. Выпущенная в январе 2026 года, она устраняет ограничения обоих предыдущих поколений.

Полная NMS: благодаря устранению немаксимального подавления (NMS) YOLO26 упрощает логику развертывания и снижает разброс задержек, что является функцией, впервые реализованной в YOLOv10.
MuSGD Optimizer: вдохновленный обучением LLM (например, Kimi K2 от Moonshot AI), этот оптимизатор обеспечивает стабильную конвергенцию и надежную динамику обучения.
Повышенная эффективность: благодаря устранению распределительной фокальной потери (DFL) YOLO26 работает на 43 % быстрее при CPU , что делает его идеальным выбором для современного пограничного искусственного интеллекта.

Узнайте больше о YOLO26

Заключение

Как YOLOv5 YOLOv6. YOLOv6 заслужили свое место в зале славы компьютерного зрения. YOLOv6. YOLOv6 расширяет границы GPU для специализированных промышленных задач. Однако YOLOv5 остается эталоном удобства использования, универсальности и поддержки сообщества.

Современные разработчики все чаще делают выбор в пользу следующего поколения. Ultralytics сочетает в себе удобную экосистему YOLOv5 архитектурными инновациями, которые превосходят обе предшествующие версии, предлагая наиболее сбалансированное, мощное и перспективное решение для компьютерного зрения на сегодняшний день.