YOLOv5 и YOLOv6-3.0
Компьютерное зрение постоянно развивается: новые архитектуры расширяют границы скорости и точности. Выбирая модель для следующего проекта в области компьютерного зрения на базе ИИ, разработчики часто сравнивают проверенные универсальные фреймворки со специализированными промышленными детекторами. В этом сравнении рассматриваются технические различия между Ultralytics YOLOv5 и YOLOv6-3.0 от Meituan, чтобы ты мог выбрать оптимальный инструмент для своего сценария развёртывания.
Знакомство с моделями#
Ultralytics YOLOv5: универсальная модель для широкого круга задач#
Выпущенная в 2020 году Ultralytics YOLOv5 быстро стала популярным вариантом для доступного и высокопроизводительного обнаружения объектов. Модель известна простотой использования, надёжными конвейерами обучения и широкими возможностями интеграции для развёртывания.
- Автор: Glenn Jocher
- Организация: Ultralytics
- Дата: 2020-06-26
- GitHub: ultralytics/yolov5
YOLOv5 изначально разрабатывалась для удобной работы в экосистеме PyTorch. Она обеспечивает удачный баланс производительности: высокую среднюю точность (mAP) при высокой скорости инференса, подходящей для различных реальных сценариев развёртывания — от периферийных устройств до облачных серверов.
YOLOv6-3.0: промышленная пропускная способность#
Разработанная отделом ИИ для компьютерного зрения компании Meituan, YOLOv6-3.0 предназначена специально для промышленного применения и в первую очередь ориентирована на максимальную пропускную способность специализированных аппаратных ускорителей.
- Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
- Организация: Meituan
- Дата: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
YOLOv6 нацелена на максимальную скорость обработки на GPU, например NVIDIA T4. Для достижения высокой производительности в ней применяются специальные схемы квантования и оптимизированные магистральные сети, поэтому она хорошо подходит для обработки данных на серверной стороне, где широко используется пакетный инференс.
Архитектурные различия#
Понимание архитектурных решений, лежащих в основе этих моделей, важно для определения оптимальных сценариев их применения.
Архитектура YOLOv5#
В YOLOv5 используется высокооптимизированная магистральная сеть CSPDarknet в сочетании с сетью агрегации путей (PANet) на уровне шеи. Эта структура тщательно настроена для минимизации требований к памяти во время обучения и инференса. В отличие от крупных моделей Transformer, требующих большого объёма памяти CUDA и длительного обучения, YOLOv5 эффективно работает на стандартном потребительском оборудовании.
Модели Ultralytics специально разработаны для эффективного обучения. Зачастую YOLOv5 можно обучить на одном GPU среднего уровня, поэтому модель доступна как исследователям, так и стартапам.
YOLOv5 — это не только детектор объектов: исходный репозиторий YOLOv5 расширяет архитектуру для сегментации экземпляров и классификации изображений.
Архитектура YOLOv6-3.0#
В YOLOv6-3.0 используется базовая сеть EfficientRep, разработанная для эффективной работы с аппаратным обеспечением, особенно с GPU. В её шейном слое применяется двунаправленный модуль конкатенации (BiC) для улучшения слияния признаков.
Во время обучения YOLOv6 использует стратегию Anchor-Aided Training (AAT) для стабилизации сходимости, но при инференсе остаётся безъякорным детектором. Эта архитектура отлично подходит для задач с ускорением на GPU, однако её может быть сложнее адаптировать к разным периферийным устройствам, чем широко совместимый фреймворк YOLOv5.
Анализ производительности#
При оценке этих моделей важны показатели скорости и точности. Ниже приведена сравнительная таблица производительности моделей разных размеров на наборе данных COCO.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 YOLOv6-3.0 обеспечивает более высокий mAP при одинаковом размере моделей, YOLOv5 требует меньше ресурсов. Например, YOLOv5n использует значительно меньше параметров и операций FLOPs, чем сопоставимая YOLOv6, поэтому хорошо подходит для мобильных устройств и систем с ограничениями по CPU.
Экосистема и простота использования#
Для многих инженерных команд решающим фактором становится экосистема вокруг модели.
YOLOv6 — функциональный исследовательский репозиторий, однако для развёртывания в разных форматах требуется больше ручной работы. Ultralytics, напротив, предлагает хорошо поддерживаемую экосистему с удобным и простым интерфейсом. Единый API Python и интуитивно понятная платформа Ultralytics предоставляют разработчикам инструменты для управления наборами данных, обучения в один клик и прямого экспорта в такие форматы, как ONNX и TensorRT.
Пример кода: единый API Ultralytics#
Пакет Ultralytics ultralytics для pip позволяет загружать, обучать и развёртывать модели всего в несколько строк кода.
from ultralytics import YOLO
# Загрузить предварительно обученную малую модель YOLOv5
model = YOLO("yolov5su.pt") # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics
# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Выполнить быстрый инференс изображения
predictions = model("https://ultralytics.com/images/bus.jpg")
# Экспортировать в ONNX для развёртывания на периферийных устройствах
model.export(format="onnx")Сценарии использования и рекомендации#
Выбор между YOLOv5 и YOLOv6 зависит от требований проекта, ограничений развёртывания и предпочтений в отношении экосистемы.
Когда стоит выбрать YOLOv5#
YOLOv5 — отличный выбор для:
- Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
- Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
- Широкая поддержка форматов экспорта: проекты, требующие развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.
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.
Дальнейшее развитие: преимущества YOLO26#
YOLOv5 остаётся надёжной рабочей моделью, а YOLOv6-3.0 обеспечивает высокую пропускную способность на промышленных GPU, однако передовые технологии уже шагнули вперёд. Разработчикам, начинающим новые проекты сегодня, рекомендуется выбрать Ultralytics YOLO26.
Выпущенная в январе 2026 года YOLO26 стала важным шагом вперёд. Она сохраняет универсальность экосистемы Ultralytics и включает несколько архитектурных улучшений:
- Сквозная архитектура без NMS: опциональная голова YOLO26 без NMS (
nms=False) исключает постобработку с подавлением немаксимумов, уменьшая разброс задержки и упрощая логику развёртывания. - Инференс на CPU до 43% быстрее: благодаря удалению DFL и облегчённой голове YOLO26n работает на CPU до 43% быстрее YOLO11n, что полезно для периферийных устройств и устройств с низким энергопотреблением.
- Оптимизатор MuSGD: использующий новые подходы к обучению LLM оптимизатор MuSGD обеспечивает стабильное обучение и быструю сходимость.
- Расширенная универсальность: YOLO26 поддерживает сегментацию экземпляров и семантическую сегментацию, оценку глубины, классификацию, оценку позы и ориентированные ограничивающие рамки (OBB) с помощью специализированных голов и функций потерь, а ProgLoss и STAL улучшают распознавание небольших объектов.
Если ты рассматриваешь другие варианты в экосистеме Ultralytics, обрати внимание также на универсальную YOLO11 или YOLO-World для обнаружения объектов с открытым словарём.
Заключение#
И YOLOv5, и YOLOv6-3.0 оказали значительное влияние на область компьютерного зрения. YOLOv6-3.0 обеспечивает отличную пропускную способность на мощных серверных системах и подходит для специализированной офлайн-аналитики. Однако YOLOv5 остаётся отличным вариантом для разработчиков, которым нужна надёжная, простая в использовании и универсальная модель с поддержкой экосистемы Ultralytics.
Для оптимального баланса точности, возможности развёртывания без NMS и удобства разработки рекомендуется перейти на YOLO26 с помощью платформы Ultralytics — это оптимальный путь для создания современных решений в области компьютерного зрения на базе ИИ.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.