YOLOv5 против YOLOv6-3.0#

Ландшафт компьютерного зрения постоянно развивается, и новые архитектуры расширяют границы скорости и точности. При выборе модели для твоего следующего проекта в области ИИ компьютерного зрения разработчики часто сравнивают устоявшиеся, универсальные фреймворки с узкоспециализированными промышленными детекторами. Этот глубокий анализ исследует технические нюансы между Ultralytics YOLOv5 и YOLOv6-3.0 от Meituan, помогая тебе выбрать лучший инструмент для твоих задач развертывания.

Введение в модели#

Ultralytics YOLOv5: универсальный стандарт#

Выпущенный в 2020 году, Ultralytics YOLOv5 быстро стал золотым стандартом для доступного высокопроизводительного обнаружения объектов. Он славится невероятной простотой использования, надежными конвейерами обучения и широкими возможностями интеграции при развертывании.

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: ultralytics/yolov5

YOLOv5 создан с нуля для обеспечения бесшовного опыта разработчика в экосистеме PyTorch. Он предлагает выгодный баланс производительности, достигая отличной средней точности (mAP) при сохранении высокой скорости инференса, подходящей для различных сценариев развертывания в реальном мире — от периферийных устройств до облачных серверов.

Узнай больше о YOLOv5

YOLOv6-3.0: промышленная пропускная способность#

Разработанный отделом Vision AI в Meituan, YOLOv6-3.0 специально адаптирован для промышленных приложений, отдавая приоритет максимальной пропускной способности на специализированных аппаратных ускорителях.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

YOLOv6 нацелен на максимизацию скорости обработки на GPU, таких как NVIDIA T4. Он использует пользовательские методы квантования и специализированные бэкбоны для достижения своей производительности, что делает его сильным кандидатом для обработки на бэкенд-серверах, где активно используется пакетный инференс.

Узнай больше о YOLOv6

Архитектурные различия#

Понимание архитектурных решений, лежащих в основе этих моделей, имеет решающее значение для определения их идеальных вариантов использования.

Архитектура YOLOv5#

YOLOv5 использует высокооптимизированную архитектуру CSPDarknet в сочетании с шеей (neck) Path Aggregation Network (PANet). Эта структура тщательно настроена для обеспечения минимальных требований к памяти во время обучения и вывода. В отличие от больших моделей на базе Transformer, требующих огромного количества памяти CUDA и длительного времени обучения, YOLOv5 эффективно работает на стандартном потребительском оборудовании.

Кроме того, YOLOv5 — это не просто детектор объектов. Его архитектура органично расширяется на другие задачи, предлагая надежную поддержку из коробки для сегментации изображений и классификации изображений.

Архитектура YOLOv6-3.0#

YOLOv6-3.0 отличается архитектурой EfficientRep, которая разработана для удобства работы с оборудованием, особенно при выполнении на GPU. Он использует модуль Bi-directional Concatenation (BiC) в своей шее для улучшения объединения признаков.

Во время обучения YOLOv6 использует стратегию Anchor-Aided Training (AAT) для стабилизации сходимости, хотя при выводе он остается детектором без анкоров (anchor-free). Хотя эта архитектура превосходна в задачах с ускорением на GPU, ее иногда сложнее адаптировать для разнообразных периферийных устройств по сравнению с высокопортативным фреймворком YOLOv5.

Анализ производительности#

При оценке этих моделей сырые показатели скорости и точности имеют жизненно важное значение. Ниже представлена сравнительная таблица, подчеркивающая производительность моделей различных размеров на датасете COCO.

В то время как YOLOv6-3.0 достигает более высоких показателей mAP в своих более крупных вариантах, YOLOv5 сохраняет невероятно легкий вес. Например, YOLOv5n требует значительно меньше параметров и FLOP, чем его аналог YOLOv6, что делает его оптимальным для мобильных или ограниченных CPU развертываний.

Экосистема и простота использования#

Истинным определяющим фактором для многих инженерных команд является экосистема, окружающая модель.

YOLOv6 — это впечатляющий исследовательский репозиторий, но для развертывания в различных форматах требуется значительный объем шаблонного кода. В отличие от него, Ultralytics предлагает поддерживаемую экосистему, характеризующуюся оптимизированным пользовательским опытом. Через унифицированный Python API и интуитивную платформу Ultralytics Platform разработчики получают доступ к бесшовному управлению датасетами, обучению в один клик и прямому экспорту в такие форматы, как ONNX и TensorRT.

Пример кода: унифицированный API Ultralytics#

Пакет pip Ultralytics ultralytics позволяет тебе загружать, обучать и развертывать модели всего в несколько строк кода.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

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

Сценарии использования и рекомендации#

Выбор между YOLOv5 и YOLOv6 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

• Проверенных производственных систем: существующих развертываний, где ценятся долгая история стабильности YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения с ограниченными ресурсами: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти являются преимуществом.
• Широкая поддержка форматов экспорта: Проекты, требующие развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.

Когда выбирать YOLOv6#

YOLOv6 рекомендуется для:

• Промышленного внедрения с учетом оборудования: сценарии, где аппаратная ориентированность модели и эффективная репараметризация обеспечивают оптимизированную производительность на конкретном целевом оборудовании.
• Быстрого одноэтапного обнаружения: приложения, где приоритетом является чистая скорость вывода на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграция с экосистемой Meituan: Команды, уже работающие в стеке технологий и инфраструктуре развертывания Meituan's.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Двигаемся дальше: преимущество YOLO26#

В то время как YOLOv5 остается надежной «рабочей лошадкой», а YOLOv6-3.0 предлагает высокую производительность на промышленных GPU, современные технологии шагнули вперед. Разработчикам, начинающим новые проекты сегодня, рекомендуется выбирать Ultralytics YOLO26.

Выпущенный в январе 2026 года YOLO26 представляет собой колоссальный шаг вперед. Он унаследовал непревзойденную универсальность экосистемы Ultralytics, при этом внедряя прорывные архитектурные улучшения:

• Дизайн End-to-End без NMS: YOLO26 исключает постпроцессинг с помощью Non-Maximum Suppression, что значительно снижает дисперсию задержки и упрощает логику развертывания.
• Ускорение вывода на CPU до 43%: Благодаря удалению DFL и оптимизированной «голове» модели, она значительно превосходит предыдущие поколения на периферийных устройствах и устройствах с низким энергопотреблением.
• Оптимизатор MuSGD: Используя инновации в обучении LLM, новый оптимизатор MuSGD обеспечивает очень стабильное обучение и удивительно быструю сходимость.
• Продвинутая универсальность: YOLO26 легко справляется с ориентированными ограничивающими рамками (OBB), оценкой позы и сегментацией со специализированными функциями потерь для задач, такими как ProgLoss и STAL, для беспрецедентного распознавания мелких объектов.

Если ты изучаешь другие варианты в экосистеме Ultralytics, ты также можешь рассмотреть универсальный YOLO11 или инновационный YOLO-World для задач детектирования с открытым словарем.

Заключение#

И YOLOv5, и YOLOv6-3.0 оказали значительное влияние на область компьютерного зрения. YOLOv6-3.0 обеспечивает отличную пропускную способность для мощного серверного оборудования, что делает его подходящим для специализированной офлайн-аналитики. Однако YOLOv5 остается лучшим выбором для разработчиков, которым нужна надежная, простая в использовании и высокоуниверсальная модель, поддерживаемая платформой мирового класса.

Для достижения идеального баланса точности нового поколения, нативного развертывания без NMS и лучшего в индустрии опыта разработчика обновление до YOLO26 через платформу Ultralytics Platform является окончательным выбором для современных решений компьютерного зрения на базе ИИ.