YOLOv6-3.0 и RTDETRv2#

Чтобы выбрать оптимальную архитектуру для приложений компьютерного зрения, нужно учитывать скорость, точность и ограничения развертывания. В этом техническом сравнении анализируется YOLOv6-3.0 — сверточная нейронная сеть (CNN) промышленного класса, рассчитанная на высокую пропускную способность GPU, — и RTDETRv2, модель на основе Transformer, которая использует механизмы внимания для обнаружения объектов в реальном времени.

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

YOLOv6-3.0: промышленная пропускная способность#

YOLOv6-3.0 разработал отдел Vision AI компании Meituan. Модель ориентирована на максимальную скорость обработки на аппаратных ускорителях, таких как GPU NVIDIA, что сделало ее популярной в 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:

• Высокая пропускная способность на оборудовании серверного класса, 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).
• Использует подавление немаксимумов (NMS) при постобработке, из-за чего возрастает 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#

Команда исследователей Baidu взяла за основу исходную RT-DETR и усовершенствовала фреймворк Transformer для обнаружения, применив подход «бесплатных улучшений». Так появилась RTDETRv2, которая повышает точность, сохраняя скорость 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 работает сквозным образом. Благодаря слоям внимания Transformer с сопоставлением один-к-одному архитектура избавляется от необходимости постобработки с NMS. Это упрощает конвейер инференса. RTDETRv2 использует оптимизированное объединение признаков на разных масштабах и эффективный гибридный кодировщик, обеспечивая высокую точность на наборе данных COCO.

Преимущества и недостатки#

Преимущества:

• Механизмы внимания на основе Transformer обеспечивают высокую среднюю точность (mAP), особенно на сложных или насыщенных сценах.
• Архитектура без NMS делает задержку инференса предсказуемой и упрощает интеграцию в производственные среды.
• Хорошо подходит для сценариев, где нужна максимальная точность и аппаратные ограничения несущественны.

Недостатки:

• Слои Transformer требуют значительного объема памяти CUDA во время обучения, что создает препятствие для команд без мощных 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 ключевые показатели производительности YOLOv6-3.0 и RTDETRv2. Обрати внимание на разницу между эффективностью YOLOv6 по числу параметров и чистой 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, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
• Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Преимущества Ultralytics: знакомство с YOLO26#

YOLOv6-3.0 и RTDETRv2 отлично справляются со своими задачами, но в современной сфере машинного обучения нужны модели, сочетающие скорость, точность и удобство для разработчиков. Экосистема Ultralytics отвечает этим требованиям, особенно благодаря выпуску YOLO26.

Ultralytics YOLO26, выпущенная в январе 2026 года, — рекомендуемая модель Ultralytics, превосходящая более ранние модели, такие как YOLOv8 и YOLO12, по точности и скорости на CPU.

Почему YOLO26 превосходит конкурентов#

1. Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 предлагает дополнительную голову one-to-one без NMS (nms=False), пропускающую постобработку с NMS. Это обеспечивает простоту развёртывания, как у RTDETRv2, сохраняя скорость оптимизированной CNN.
2. Оптимизатор MuSGD: вдохновленный обучением больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Он обеспечивает стабильную динамику обучения и более быструю сходимость, сокращая время и вычислительные ресурсы, необходимые для работы с пользовательскими наборами данных.
3. Производительность на периферийных устройствах: отказ от функции потерь распределенного фокуса (DFL) упрощает экспорт. В сочетании с более легкой головой это обеспечивает YOLO26n инференс на CPU до 43% быстрее, чем у YOLO11n, поэтому YOLO26 отлично подходит для периферийного ИИ и устройств IoT.
4. Улучшенное обнаружение небольших объектов: функция потерь ProgLoss и стратегия назначения меток STAL улучшают обнаружение небольших объектов — это важно для аналитики с дронов и аэрофотоснимков.
5. Поддержка разных задач: в отличие от YOLOv6, ориентированной исключительно на обнаружение, YOLO26 поддерживает рабочие процессы для нескольких задач через единый API: сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение объектов с ориентированными ограничивающими рамками (OBB).

Эффективность обучения и простота использования#

API Ultralytics для Python разработан для максимальной продуктивности разработчиков. Перейти от обучения к развертыванию можно всего за несколько строк кода — без сложной настройки окружения, необходимой для отдельных исследовательских репозиториев.

Ниже приведен полный исполняемый пример обучения и валидации модели YOLO26 с помощью пакета Ultralytics:

from ultralytics import YOLO

# Load the 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 надежный готовый к производственной эксплуатации фреймворк с активной поддержкой сообщества, модели Ultralytics YOLO — отличный выбор. Интеграция с такими инструментами, как Hugging Face и TensorRT, а также низкое потребление памяти во время обучения делают высокопроизводительные модели практичными даже на скромном оборудовании. Перейдя на YOLO26, разработчики смогут использовать оптимизатор MuSGD и необязательную голову без NMS для создания более быстрых, интеллектуальных и масштабируемых конвейеров компьютерного зрения.