YOLOv6-3.0 и RTDETRv2#

Выбор оптимальной архитектуры для задач компьютерного зрения требует баланса между скоростью, точностью и ограничениями развёртывания. В этом подробном техническом обзоре мы анализируем YOLOv6-3.0 — свёрточную нейронную сеть (CNN) промышленного класса, разработанную для сред с высокой пропускной способностью GPU, — и RTDETRv2, передовую модель на базе Transformer, которая использует механизмы внимания для детекции объектов в реальном времени.

Хотя обе модели стали важными достижениями в исследованиях искусственного интеллекта, разработчики, которым нужен наиболее универсальный и эффективный конвейер, часто выбирают надёжную платформу Ultralytics.

YOLOv6-3.0: промышленная пропускная способность#

Разработанная подразделением Vision AI компании Meituan, модель YOLOv6-3.0 ориентирована прежде всего на максимальную скорость обработки данных на аппаратных ускорителях, например GPU NVIDIA, что закрепило её место в устаревших промышленных приложениях.

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

Основные особенности архитектуры#

В YOLOv6-3.0 используется удобная для аппаратного обеспечения базовая сеть EfficientRep, специально разработанная для быстрого инференса на GPU. Архитектура включает модуль двунаправленной конкатенации (BiC) в шейке, который улучшает слияние признаков разных пространственных разрешений. Во время обучения применяется стратегия обучения с поддержкой якорей (AAT), сочетающая преимущества обучения на основе якорей с безъякорным конвейером инференса.

Преимущества и недостатки#

Преимущества:

• Исключительно высокая пропускная способность на серверном оборудовании, например на GPU T4 и A100.
• Предлагает специализированные руководства по квантованию для развёртывания INT8 с использованием RepOpt.
• Выгодное соотношение количества параметров и скорости для крупномасштабной видеоаналитики.

Недостатки:

• В первую очередь предназначена для детекции ограничивающих рамок; не обладает универсальностью многозадачных моделей, таких как Ultralytics YOLO11, которая доступна сразу после установки (например, для поз и ориентированных ограничивающих рамок).
• Сильнее зависит от сложного подавления немаксимумов (NMS) на этапе постобработки, что увеличивает разброс задержки.
• Экосистема менее активна, чем у популярных фреймворков, поэтому предсказать выход обновлений и поддержку сообщества сложнее.

Подробнее о YOLOv6

RTDETRv2: Transformer для работы в реальном времени#

Разработанная исследователями Baidu, модель RTDETRv2 развивает оригинальную RT-DETR, совершенствуя архитектуру Transformer для детекции с помощью подхода «набора бесплатных улучшений» и достигая передовой точности без потери пригодности для работы в реальном времени.

• Авторы: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang и Yi Liu
• Организация: Baidu
• Дата: 2024-07-24
• ArXiv: 2407.17140
• GitHub: lyuwenyu/RT-DETR

Основные особенности архитектуры#

В отличие от традиционных CNN, RTDETRv2 изначально построена как сквозная модель. Благодаря слоям внимания Transformer архитектура полностью избавляет от необходимости применять NMS на этапе постобработки. Это упрощает конвейер инференса. RTDETRv2 использует высокооптимизированное слияние признаков между масштабами и эффективный гибридный энкодер, позволяя обрабатывать стандартные наборы данных COCO с высокой точностью.

Преимущества и недостатки#

Преимущества:

• Механизмы внимания на базе Transformer обеспечивают исключительно высокую среднюю точность (mAP), особенно на сложных или насыщенных сценах.
• Архитектура без NMS делает задержку инференса предсказуемой и упрощает интеграцию в производственные среды.
• Отлично подходит для сценариев, где нужна максимально возможная точность, а аппаратные ограничения минимальны.

Недостатки:

• Для обучения слоёв Transformer требуется значительный объём памяти CUDA, что ограничивает возможности исследователей без доступа к мощным GPU.
• Инференс на CPU заметно медленнее, чем у специализированных периферийных CNN, что ограничивает применение на мобильных и IoT-устройствах.
• Настройка и подбор параметров могут быть сложными для команд, привыкших к традиционным процессам эксплуатации машинного обучения (MLOps).

Узнай больше о RTDETRv2

Подробное сравнение производительности#

В таблице ниже сравниваются YOLOv6-3.0 и RTDETRv2 по основным показателям производительности. Обрати внимание на разительный контраст между эффективностью YOLOv6 по числу параметров и высокой точностью RTDETRv2.

Сценарии использования и рекомендации#

Выбор между YOLOv6 и RT-DETR зависит от требований твоего проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv6#

YOLOv6 — хороший выбор для:

• 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 выбрать RT-DETR#

RT-DETR рекомендуется для:

• Исследований обнаружения на основе Transformer: Проектов, в которых изучаются механизмы внимания и архитектуры Transformer для сквозного обнаружения объектов без NMS.
• Сценариев с высокой точностью и гибкими требованиями к задержке: Приложений, где точность обнаружения важнее всего, а немного большая задержка инференса допустима.
• Обнаружения крупных объектов: Сцен, в которых преобладают объекты среднего и крупного размера, а механизм глобального внимания Transformer даёт естественное преимущество.

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.

Преимущества Ultralytics: знакомство с YOLO26#

Хотя YOLOv6-3.0 и RTDETRv2 отлично подходят для своих ниш, современная сфера машинного обучения требует моделей, сочетающих скорость, точность и удобство разработки. Экосистема Ultralytics идеально отвечает этим требованиям, особенно с выходом YOLO26.

Выпущенная в январе 2026 года Ultralytics YOLO26 устанавливает новый стандарт в компьютерном зрении, значительно опережая более старые модели, такие как YOLOv8, и форки сообщества, например YOLO12.

Почему YOLO26 превосходит конкурентов#

1. Сквозная архитектура без NMS: впервые применённая в YOLOv10, YOLO26 предлагает встроенную голову без NMS (nms=False), которая исключает NMS из постобработки. Это обеспечивает простоту развёртывания, как у RTDETRv2, при этом сохраняя молниеносную скорость высокооптимизированной CNN.
2. Оптимизатор MuSGD: вдохновлённая инновациями в области больших языковых моделей (например, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает исключительно стабильную динамику обучения и быстрое схождение, сокращая время и вычислительные ресурсы, необходимые для работы с пользовательскими наборами данных.
3. Непревзойдённая производительность на периферийных устройствах: благодаря полному удалению DFL (Distribution Focal Loss) YOLO26 упрощает архитектуры экспорта. Эта оптимизация ускоряет инференс на CPU до 43% по сравнению с устаревшими моделями, делая YOLO26 безусловным лидером для периферийного ИИ и IoT-устройств.
4. Улучшенная детекция мелких объектов: новые функции потерь ProgLoss и STAL значительно повышают точность детекции мелких объектов — это критически важно для аналитики с дронов и аэрофотосъёмки, с которыми YOLOv6 традиционно справлялась хуже.
5. Универсальность в решении задач: в отличие от YOLOv6, ориентированной исключительно на детекцию, YOLO26 поддерживает многозадачные процессы, включая сегментацию экземпляров, оценку позы, классификацию изображений и детекцию ориентированных ограничивающих рамок (OBB) — всё через единый API.

Эффективность обучения и простота использования#

Python API Ultralytics разработан для повышения продуктивности разработчиков. Перейти от обучения к развёртыванию можно всего за несколько строк кода, полностью минуя сложную настройку среды, необходимую для отдельных исследовательских репозиториев.

Ниже приведён готовый к запуску пример обучения и проверки современной модели YOLO26 с помощью пакета Ultralytics:

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on a custom dataset (e.g., COCO8) for 50 epochs
# The API automatically handles dataset download and environment config
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Validate the model's accuracy on the validation split
val_metrics = model.val()
print(f"Validation mAP50-95: {val_metrics.box.map:.4f}")

# Export the trained model to ONNX for production deployment
model.export(format="onnx")

Заключение#

И YOLOv6-3.0, и RTDETRv2 — впечатляющий вклад в развитие ИИ. YOLOv6-3.0 остаётся мощным инструментом для промышленной автоматизации с интенсивными вычислениями на GPU, а RTDETRv2 доказывает, что архитектуры Transformer способны обеспечивать задержку уровня реального времени при максимальной точности.

Однако для команд, которым нужен надёжный, готовый к эксплуатации фреймворк с активной поддержкой сообщества, модели Ultralytics YOLO неизменно оказываются лучшим выбором. Бесшовная интеграция с платформами, такими как Hugging Face и TensorRT, в сочетании с крайне низким потреблением памяти во время обучения демократизирует доступ к передовым технологиям ИИ. Перейдя на YOLO26, разработчики могут использовать революционный оптимизатор MuSGD и архитектуру без NMS, чтобы создавать более быстрые, интеллектуальные и масштабируемые конвейеры компьютерного зрения.