YOLOv5 и YOLOv6-3.0#

Компьютерное зрение постоянно развивается: новые архитектуры расширяют возможности скорости и точности. Выбирая модель для следующего проекта в области ИИ для компьютерного зрения, разработчики часто сравнивают проверенные универсальные фреймворки со специализированными промышленными детекторами. В этом подробном обзоре рассматриваются технические особенности Ultralytics YOLOv5 и YOLOv6-3.0 от Meituan, чтобы помочь тебе выбрать инструмент для своих задач развёртывания.

Знакомство с моделями#

Ultralytics YOLOv5: универсальная модель для широкого круга задач#

Выпущенная в 2020 году, Ultralytics YOLOv5 быстро стала золотым стандартом доступного и высокопроизводительного обнаружения объектов. Она известна простотой использования, надёжными конвейерами обучения и широкой поддержкой развёртывания.

• Автор: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: ultralytics/yolov5

YOLOv5 изначально разрабатывалась для удобной работы разработчиков в экосистеме PyTorch. Она обеспечивает удачный баланс производительности: высокую среднюю точность (mAP) и высокую скорость инференса для самых разных 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. В модели используются собственные методы квантования и специализированные базовые сети для достижения высокой производительности. Благодаря этому она хорошо подходит для серверной обработки, где активно применяется пакетный инференс.

Подробнее о YOLOv6

Архитектурные различия#

Чтобы определить оптимальные сценарии использования этих моделей, важно понимать, какие архитектурные решения лежат в их основе.

Архитектура YOLOv5#

YOLOv5 использует оптимизированную базовую сеть CSPDarknet в сочетании с сетью агрегации путей (PANet) в качестве шейного слоя. Такая структура тщательно настроена для минимизации требований к памяти во время обучения и инференса. В отличие от крупных моделей Transformer, которым нужны огромные объёмы памяти CUDA и длительное обучение, YOLOv5 эффективно работает на обычном потребительском оборудовании.

Кроме того, YOLOv5 — это не просто детектор объектов. Её архитектура легко адаптируется и к другим задачам, обеспечивая встроенную поддержку сегментации изображений 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.

В крупных вариантах YOLOv6-3.0 достигает более высоких значений mAP, однако YOLOv5 отличается очень компактным размером. Например, YOLOv5n требует значительно меньше параметров и операций с плавающей запятой, чем соответствующая модель YOLOv6, что делает её оптимальным вариантом для мобильных устройств и систем с ограниченной производительностью CPU.

Экосистема и простота использования#

Для многих инженерных команд решающим фактором становится экосистема вокруг модели.

YOLOv6 — впечатляющий исследовательский репозиторий, но для развёртывания в разных форматах требуется значительный объём шаблонного кода. Ultralytics, напротив, предлагает хорошо поддерживаемую экосистему с удобным интерфейсом. Единый Python API и интуитивно понятная платформа Ultralytics дают разработчикам доступ к удобному управлению наборами данных, обучению в один клик и прямому экспорту 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

# Без труда обучаем модель на наборе данных 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 производственные системы: существующие развертывания, где ценятся длительная история стабильной работы YOLOv5, подробная документация и поддержка большого сообщества.
• 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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Дальнейшее развитие: преимущества YOLO26#

YOLOv5 остаётся надёжной рабочей моделью, а YOLOv6-3.0 обеспечивает высокую пропускную способность на промышленных GPU, но передовые технологии не стоят на месте. Разработчикам, которые начинают новые проекты сегодня, мы рекомендуем Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 представляет собой огромный шаг вперёд. Она унаследовала непревзойдённую универсальность экосистемы Ultralytics и получила революционные улучшения архитектуры:

• Сквозная архитектура без NMS: опциональная голова YOLO26 без NMS (nms=False) устраняет постобработку с подавлением немаксимумов, значительно уменьшая колебания задержки и упрощая логику развёртывания.
• Инференс на CPU до 43% быстрее: удаление DFL и оптимизированная голова значительно повышают производительность модели на периферийных устройствах и устройствах с низким энергопотреблением.
• Оптимизатор MuSGD: новый оптимизатор MuSGD использует инновации в обучении LLM, обеспечивая высокую стабильность обучения и впечатляюще быструю сходимость.
• Расширенная универсальность: YOLO26 без проблем справляется с ориентированными ограничивающими рамками (OBB), оценкой позы и сегментацией. Специальные функции потерь, такие как ProgLoss и STAL, обеспечивают непревзойдённое распознавание небольших объектов.

Если ты рассматриваешь другие варианты в экосистеме Ultralytics, обрати внимание также на универсальную YOLO11 или инновационную YOLO-World для обнаружения объектов с открытым словарём.

Заключение#

И YOLOv5, и YOLOv6-3.0 значительно повлияли на развитие компьютерного зрения. YOLOv6-3.0 обеспечивает отличную пропускную способность на мощном серверном оборудовании и подходит для специализированной офлайн-аналитики. Однако YOLOv5 остаётся лучшим выбором для разработчиков, которым нужна надёжная, простая в использовании и универсальная модель с поддержкой платформы мирового уровня.

Чтобы получить оптимальный баланс точности нового поколения, встроенного развёртывания без NMS и лучшего в отрасли опыта разработки, выбирай YOLO26 на платформе Ultralytics — это оптимальное решение для современных систем ИИ для компьютерного зрения.