YOLOv5 и YOLOv6-3.0#

Ландшафт компьютерного зрения постоянно развивается, а новые архитектуры расширяют границы скорости и точности. Выбирая модель для своего следующего проекта в области ИИ компьютерного зрения, разработчики часто сравнивают проверенные универсальные фреймворки с узкоспециализированными промышленными детекторами. В этом подробном разборе рассматриваются технические различия между Ultralytics YOLOv5 и YOLOv6-3.0 от Meituan, чтобы помочь тебе выбрать лучший инструмент для своих задач развертывания.

Введение в модели#

Ultralytics YOLOv5: универсальный стандарт#

Выпущенная в 2020 году, Ultralytics YOLOv5 быстро стала золотым стандартом доступного высокопроизводительного обнаружения объектов. Она известна своей исключительной простотой использования, надежными процессами обучения и широкими возможностями интеграции для развертывания.

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

YOLOv5 с самого начала создавалась для удобной работы разработчиков в экосистеме PyTorch. Она обеспечивает удачный баланс производительности, достигая отличной средней точности (mAP) при сохранении высокой скорости инференса, подходящей для самых разных сценариев развертывания в реальных условиях — от периферийных устройств до облачных серверов.

YOLOv6-3.0: промышленная пропускная способность#

YOLOv6-3.0, разработанная отделом Vision AI компании Meituan, специально адаптирована для промышленных применений с особым приоритетом 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 стремится максимально увеличить скорость обработки на GPU, таких как NVIDIA T4. Для достижения такой производительности в ней используются пользовательские методы квантования и специализированные backbone-компоненты, что делает ее сильным кандидатом для обработки на backend-серверах, где активно применяется пакетный инференс.

Узнай больше о YOLOv6

Архитектурные различия#

Понимание архитектурных решений, лежащих в основе этих моделей, крайне важно для определения идеальных сценариев их использования.

Архитектура YOLOv5#

YOLOv5 использует высокооптимизированный backbone CSPDarknet в сочетании с neck-компонентом Path Aggregation Network (PANet). Эта структура тщательно настроена для минимизации требований к памяти во время обучения и инференса. В отличие от крупных моделей Transformer, требующих огромного объема памяти CUDA и длительного обучения, YOLOv5 эффективно работает на стандартном пользовательском оборудовании.

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

Архитектура YOLOv6-3.0#

YOLOv6-3.0 использует backbone EfficientRep, разработанный с учетом особенностей аппаратного обеспечения, особенно при выполнении на GPU. В ее neck-компоненте применяется модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков.

Во время обучения YOLOv6 использует стратегию обучения с поддержкой anchor-блоков (AAT) для стабилизации сходимости, хотя во время инференса остается anchor-free детектором. Хотя эта архитектура отлично подходит для задач с ускорением на GPU, ее иногда сложнее адаптировать к различным периферийным устройствам по сравнению с высокопортируемым фреймворком YOLOv5.

Анализ производительности#

При оценке этих моделей критически важны показатели скорости и точности. Ниже приведена сравнительная таблица, демонстрирующая производительность моделей различных размеров на датасете COCO.

Хотя YOLOv6-3.0 достигает более высоких показателей mAP в крупных вариантах, YOLOv5 отличается исключительно компактным размером. Например, YOLOv5n требует значительно меньше параметров и FLOPs, чем соответствующая модель YOLOv6, что делает ее оптимальным выбором для развертывания на мобильных устройствах или системах с ограниченными ресурсами CPU.

Экосистема и простота использования#

Для многих инженерных команд решающим фактором является экосистема, окружающая модель.

YOLOv6 представляет собой впечатляющий исследовательский репозиторий, но для развертывания в различных форматах требуется значительный объем шаблонного кода. В свою очередь, Ultralytics предлагает хорошо поддерживаемую экосистему с удобным и оптимизированным пользовательским интерфейсом. Благодаря унифицированному Python API и интуитивно понятной Ultralytics Platform разработчики получают удобное управление датасетами, обучение в один клик и прямой экспорт в такие форматы, как ONNX и TensorRT.

Пример кода: унифицированный API Ultralytics#

pip-пакет Ultralytics ultralytics позволяет загружать, обучать и развертывать модели всего несколькими строками 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")

Варианты применения и рекомендации#

Выбор между YOLOv5 и YOLOv6 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

• Проверенных производственных систем: существующих развертываний, где важны длительная история стабильной работы YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения при ограниченных ресурсах: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти дают преимущества.
• Широкой поддержки форматов экспорта: проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и TFLite.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для:

• Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн модели и эффективная репараметризация обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрое одностадийное обнаружение: приложения, в которых приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых средах.
• Интеграция с экосистемой Meituan: команды, уже работающие в технологическом стеке и инфраструктуре развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Дальнейшие перспективы: преимущества YOLO26#

Хотя YOLOv5 остается надежной рабочей лошадкой, а YOLOv6-3.0 обеспечивает высокую промышленную пропускную способность на GPU, передовые технологии ушли вперед. Разработчикам, начинающим новые проекты сегодня, рекомендуется выбрать Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 представляет собой огромный шаг вперед. Она наследует непревзойденную универсальность экосистемы Ultralytics и одновременно внедряет революционные архитектурные улучшения:

• Сквозная архитектура без NMS: YOLO26 устраняет постобработку Non-Maximum Suppression, значительно уменьшая вариативность задержки и упрощая логику развертывания.
• До 43% более быстрый инференс на CPU: Благодаря удалению DFL и оптимизированной head-компоненте модель значительно превосходит предыдущие поколения на периферийных устройствах и устройствах с низким энергопотреблением.
• Оптимизатор MuSGD: Используя инновации из области обучения LLM, новый оптимизатор MuSGD обеспечивает исключительно стабильное обучение и удивительно быструю сходимость.
• Расширенная универсальность: YOLO26 легко работает с задачами ориентированных ограничивающих прямоугольников (OBB), оценки позы и сегментации, используя специализированные функции потерь, такие как ProgLoss и STAL, для беспрецедентно точного распознавания малых объектов.

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

Заключение#

И YOLOv5, и YOLOv6-3.0 оказали значительное влияние на область компьютерного зрения. YOLOv6-3.0 обеспечивает отличную пропускную способность на высокопроизводительном серверном оборудовании, что делает ее подходящей для специализированной офлайн-аналитики. Однако YOLOv5 остается лучшим выбором для разработчиков, которым нужна надежная, простая в использовании и высокоуниверсальная модель с поддержкой платформы мирового уровня.

Для оптимального сочетания точности нового поколения, нативного развертывания без NMS и лучшего в отрасли опыта разработчиков переход на YOLO26 через Ultralytics Platform — это безусловно лучший выбор для современных решений в области ИИ компьютерного зрения.