Link to this sectionYOLOv5 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.

Link to this sectionВведение в модели#

Link to this sectionUltralytics 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 был с самого начала разработан для обеспечения бесперебойного опыта разработки в экосистеме PyTorch. Он предлагает выгодный баланс производительности, достигая отличной средней точности (mAP) при сохранении высокой скорости вывода, подходящей для самых разных реальных сценариев развертывания, от периферийных устройств до облачных серверов.

Узнай больше о YOLOv5

Link to this sectionYOLOv6-3.0: 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 стремится максимизировать скорость обработки на GPU, таких как NVIDIA T4. Он использует методы пользовательской квантования и специализированные архитектуры (backbones) для достижения своей производительности, что делает его сильным кандидатом для серверной обработки, где активно используется пакетный (batch) вывод.

Узнай больше о YOLOv6

Link to this sectionАрхитектурные различия#

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

Link to this sectionАрхитектура 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.

Более того, YOLOv5 — это не просто детектор объектов. Его архитектура легко расширяется для других задач, предлагая надежную встроенную поддержку сегментации изображений и классификации изображений.

Link to this sectionАрхитектура 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.

Link to this sectionАнализ производительности#

При оценке этих моделей показатели скорости и точности имеют жизненно важное значение. Ниже представлена сравнительная таблица производительности различных размеров моделей на наборе данных COCO dataset.

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.

Link to this sectionЭкосистема и простота использования#

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

YOLOv6 — это впечатляющий исследовательский репозиторий, но для его развертывания в различных форматах требуется значительное количество шаблонного кода. Напротив, Ultralytics предлагает хорошо поддерживаемую экосистему, характеризующуюся оптимизированным пользовательским опытом. Благодаря унифицированному Python API и интуитивно понятной платформе Ultralytics разработчики получают доступ к бесшовному управлению наборами данных, обучению в один клик и прямому экспорту в форматы, такие как ONNX и TensorRT.

Link to this sectionПример кода: унифицированный API Ultralytics#

Пакет ultralytics для pip позволяет тебе загружать, обучать и развертывать модели всего за 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")

Link to this sectionСценарии использования и рекомендации#

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

Link to this sectionКогда 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.
• Обширной поддержки форматов экспорта: проектов, требующих развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.

Link to this sectionКогда 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.
• Интеграции в экосистему Meituan: команды, которые уже работают в рамках технологического стека и инфраструктуры развертывания Meituan.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта 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.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionДвигаемся 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 огромный шаг вперед. Он наследует непревзойденную универсальность экосистемы Ultralytics, внедряя при этом революционные 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.
• Расширенная универсальность: YOLO26 легко справляется с ориентированными ограничивающими рамками (OBB), оценкой позы (Pose Estimation) и сегментацией с помощью специализированных функций потерь, таких как ProgLoss и STAL, для непревзойденного распознавания мелких объектов.

Если ты изучаешь другие варианты в экосистеме Ultralytics, ты также можешь рассмотреть универсальный YOLO11 или инновационный YOLO-World для задач обнаружения с открытым словарем (open-vocabulary detection).

Link to this sectionЗаключение#

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 наилучшего баланса точности нового поколения, нативного развертывания без NMS и лучшего в отрасли опыта разработки, обновление до YOLO26 через платформу Ultralytics является окончательным выбором для современных решений в области ИИ зрения.