YOLOv6-3.0 против YOLO11: Глубокое погружение в обнаружение объектов в реальном времени

При оценке моделей компьютерного зрения для высокопроизводительных приложений выбор правильной архитектуры имеет решающее значение. Эволюция визуального ИИ привела к появлению специализированных моделей, адаптированных для различных сред. Это всеобъемлющее руководство сравнивает две выдающиеся модели в экосистеме: ориентированную на промышленность YOLOv6-3.0 и высокоуниверсальную Ultralytics YOLO11.

Обе модели предлагают мощные решения для специалистов по машинному обучению, но они ориентированы на разные парадигмы развертывания. Ниже мы подробно рассмотрим их архитектуры, методологии обучения и идеальные сценарии развертывания в реальном мире, чтобы помочь вам принять обоснованное решение.

YOLOv6-3.0: Специализация на промышленной пропускной способности

Разработанный Отделом компьютерного зрения Meituan, YOLOv6-3.0 позиционируется как фреймворк следующего поколения для обнаружения объектов, явно оптимизированный для промышленных приложений.

Авторы: Чуйи Ли, Лулу Ли, Ифэй Генг, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдан Ке, Сяомин Сюй и Сянсян Чу
Организация:Meituan
Дата: 2023-01-13
Arxiv:2301.05586
GitHub:meituan/YOLOv6
Документация:Документация YOLOv6

Основные характеристики архитектуры

YOLOv6-3.0 сильно ориентирован на максимизацию пропускной способности на аппаратных ускорителях, таких как GPU NVIDIA. Его бэкбон основан на дизайне EfficientRep, который очень аппаратно-ориентирован для операций вывода на GPU с использованием таких платформ, как TensorRT.

Основной архитектурной особенностью является модуль двунаправленной конкатенации (BiC) в его шейке, который улучшает слияние признаков в разных масштабах. Для улучшения сходимости на этапе обучения YOLOv6 использует стратегию обучения с помощью якорей (AAT). Эта стратегия временно использует якорные боксы во время обучения, чтобы получить преимущества парадигм, основанных на якорях, в то время как инференс по сути остается безякорным.

Хотя YOLOv6-3.0 превосходит в высокоскоростных средах пакетной обработки, таких как автономная видеоаналитика на мощном серверном оборудовании, эта глубокая специализация иногда может приводить к субоптимальной задержке на периферийных устройствах только с CPU по сравнению с моделями, разработанными для более широких общих вычислений.

Узнайте больше о YOLOv6

Ultralytics YOLO11: Универсальный многозадачный стандарт

Выпущенный Ultralytics, YOLO11 представляет собой значительный сдвиг в сторону унифицированной, высокоэффективной архитектуры, способной одновременно обрабатывать огромное количество задач компьютерного зрения.

Авторы: Гленн Джочер и Цзин Цю
Организация:Ultralytics
Дата: 2024-09-27
GitHub:ultralytics/ultralytics
Документация:Документация YOLO11

Преимущество Ultralytics

Хотя специализированные промышленные модели ценны, большинство современных разработчиков отдают приоритет балансу производительности, простоты использования, эффективности памяти и поддержки разнообразных задач. YOLO11 выделяется, предлагая комплексное решение.

В отличие от YOLOv6, который строго сфокусирован на обнаружении ограничивающих рамок, Ultralytics YOLO11 изначально оснащен для сегментации экземпляров, оценки позы, классификации изображений и извлечения ориентированных ограничивающих рамок (OBB). Он достигает этого, сохраняя при этом невероятно доступную экосистему.

Оптимизированные рабочие процессы машинного обучения

Ultralytics обеспечивает опыт «от новичка до эксперта». Вместо сложных настроек окружения, характерных для исследовательских репозиториев, вы можете обучать, валидировать и экспортировать модели через унифицированный Python API или интерфейс командной строки. Платформа Ultralytics дополнительно упрощает разметку наборов данных и облачное обучение.

Узнайте больше о YOLO11

Производительность и техническое сравнение

В таблице ниже представлен подробный обзор производительности этих моделей для различных размеров. Обратите внимание на существенное сокращение количества параметров и FLOPs в моделях YOLO11 по сравнению с их аналогами YOLOv6, что обеспечивает YOLO11 превосходный баланс производительности.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

YOLO11n	640	39.5	56.1	1.5	2.6	6.5
YOLO11s	640	47.0	90.0	2.5	9.4	21.5
YOLO11m	640	51.5	183.2	4.7	20.1	68.0
YOLO11l	640	53.4	238.6	6.2	25.3	86.9
YOLO11x	640	54.7	462.8	11.3	56.9	194.9

Требования к памяти и эффективность обучения

При подготовке пользовательских данных эффективность обучения имеет первостепенное значение. Модели Ultralytics YOLO требуют значительно меньшего использования VRAM во время обучения, чем сильно кастомизированные промышленные сети или массивные архитектуры на основе трансформеров. Это демократизирует ИИ, позволяя исследователям донастраивать высокоточные модели на потребительских GPU. Кроме того, активное сообщество Ultralytics гарантирует, что такие инструменты, как настройка гиперпараметров и интеграции логирования (например, Weights & Biases или Comet ML), всегда актуальны.

Сценарии использования и рекомендации

Выбор между YOLOv6 и YOLO11 зависит от ваших конкретных требований к проекту, ограничений развертывания и предпочтений экосистемы.

Когда выбирать YOLOv6

YOLOv6 является отличным выбором для:

Промышленное развертывание с учетом аппаратного обеспечения: Сценарии, где аппаратно-ориентированный дизайн модели и эффективная репараметризация обеспечивают оптимизированную производительность на конкретном целевом оборудовании.
Быстрое одностадийное detect: Приложения, отдающие приоритет чистой скорости инференции на GPU для обработки видео в реальном времени в контролируемых средах.
Интеграция в экосистему Meituan: Команды, уже работающие в технологическом стеке и инфраструктуре развертывания Meituan.

Когда следует выбирать YOLO11

YOLO11 рекомендуется для:

Промышленное периферийное развертывание: Коммерческие приложения на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где надежность и активное обслуживание имеют первостепенное значение.
Многозадачные приложения компьютерного зрения: Проекты, требующие detect, сегментации, оценки позы и obb в рамках единой унифицированной среды.
Быстрое прототипирование и развертывание: Команды, которым необходимо быстро перейти от сбора данных к производству, используя оптимизированный Ultralytics Python API.

Когда выбирать Ultralytics (YOLO26)

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

Развертывание на периферии без NMS: Приложения, требующие стабильного вывода с низкой задержкой без сложности постобработки методом Non-Maximum Suppression.
Среды только с CPU: Устройства без выделенного ускорения GPU, где до 43% более быстрая инференция YOLO26 на CPU обеспечивает решающее преимущество.
Обнаружение мелких объектов: Сложные сценарии, такие как аэрофотосъемка с дронов или анализ данных с IoT-датчиков, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Пример кода: Единый Python API

Обучение передовой модели с помощью Ultralytics занимает всего несколько строк кода. Этот же API обрабатывает предсказания, валидации и экспорт в такие форматы, как ONNX или OpenVINO.

from ultralytics import YOLO

# Load a pretrained YOLO11 Nano model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")

# Export for edge deployment
model.export(format="onnx")

Взгляд в будущее: Появление YOLO26

Хотя YOLO11 является огромным шагом вперед по сравнению с устаревшими архитектурами, разработчикам, ищущим абсолютный предел производительности, следует рассмотреть возможность перехода на новаторский Ultralytics YOLO26.

Выпущенный в январе 2026 года, YOLO26 устанавливает новый стандарт эффективности моделей ИИ, представляя инновации, ранее невиданные в области компьютерного зрения:

Сквозная архитектура без NMS: Отказ от необходимости в подавлении немаксимумов (NMS) значительно сокращает задержку развертывания — метод, впервые представленный в YOLOv10.
Оптимизатор MuSGD: Интегрируя стабильность обучения LLM в задачи компьютерного зрения, этот оптимизатор сочетает SGD и Muon для невероятно стабильной и быстрой сходимости.
Оптимизировано для CPU: Удаление Distribution Focal Loss (DFL) позволяет YOLO26 достигать до 43% более быстрой инференции на CPU, что делает его идеальным выбором для мобильных устройств, IoT и приложений Edge AI.
Расширенные функции потерь: Реализации ProgLoss и STAL значительно улучшают распознавание мелких объектов, что крайне важно для аэрофотосъемки и робототехники.

Узнайте больше о YOLO26

Заключение и рекомендации

Если ваша среда развертывания строго ограничена высокотехнологичными промышленными GPU-конвейерами, требующими пакетного вывода, YOLOv6-3.0 остается интересным инструментом. Однако для подавляющего большинства реальных сценариев, требующих масштабируемых, легко обучаемых и высокоточных моделей, Ultralytics YOLO11—и передовая YOLO26—являются бесспорными рекомендациями.

Экосистема Ultralytics позволяет быстро переходить от сбора данных к развертыванию на периферийных устройствах, гарантируя перспективность ваших проектов и их поддержку обширной документацией и сообществом. Для тех, кто изучает другие эффективные архитектуры, мы также рекомендуем обратить внимание на YOLOv8 для надежной, проверенной поддержки устаревших систем или сразу перейти к следующему поколению с YOLO26.