Начать

YOLOv6-3.0 и YOLO11

При оценке моделей компьютерного зрения для высокопроизводительных приложений крайне важно выбрать подходящую архитектуру. По мере развития визуального ИИ появляются специализированные модели для разных сред. В этом подробном руководстве сравниваются две известные модели экосистемы: ориентированная на промышленность YOLOv6-3.0 и универсальная Ultralytics YOLO11.

Обе модели предлагают эффективные решения для специалистов по машинному обучению, но рассчитаны на разные сценарии развёртывания. В разделах ниже рассматриваются их архитектуры, методы обучения и оптимальные реальные сценарии развёртывания, чтобы ты мог принять обоснованное решение.

YOLOv6-3.0: специализация на промышленной пропускной способности#

YOLOv6-3.0, разработанная отделом Vision AI компании Meituan, позиционируется как платформа следующего поколения для обнаружения объектов, специально оптимизированная для промышленного применения.

  • Авторы: Чуйи Ли, Лулу Ли, Ифэй Гэн, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдань Кэ, Сяомин Сюй и Сянсян Чу
  • Организация: Meituan
  • Дата: 2023-01-13
  • arXiv: 2301.05586
  • GitHub: meituan/YOLOv6
  • Документация: Документация YOLOv6

Основные особенности архитектуры#

YOLOv6-3.0 ориентирована на максимальную пропускную способность аппаратных ускорителей, таких как GPU NVIDIA. В основе модели лежит архитектура EfficientRep, которая хорошо подходит для операций инференса на GPU с использованием таких платформ, как TensorRT.

Ключевая особенность архитектуры — модуль двунаправленной конкатенации (BiC) в шейной части, который улучшает слияние признаков разных масштабов. Для повышения сходимости во время обучения в YOLOv6 используется стратегия обучения с помощью якорей (AAT). Во время обучения эта стратегия временно использует якорные рамки, сочетая преимущества якорных подходов с безъякорным инференсом.

YOLOv6-3.0 отлично подходит для высокоскоростной пакетной обработки, например офлайн-аналитики видео на мощном серверном оборудовании. Однако такая узкая специализация иногда приводит к неоптимальной задержке на периферийных устройствах, работающих только на CPU, по сравнению с моделями для более широкого круга задач.

Подробнее о YOLOv6

Ultralytics YOLO11: универсальный стандарт для многозадачных моделей#

Выпущенная Ultralytics, YOLO11 — это семейство унифицированных эффективных моделей, которые решают широкий спектр задач компьютерного зрения в рамках одной платформы.

Преимущества Ultralytics#

Специализированные промышленные модели полезны, однако большинство современных разработчиков стремится сбалансировать производительность, простоту использования, эффективность работы с памятью и поддержку разных задач. YOLO11 создана с учётом всех этих требований.

В отличие от YOLOv6, ориентированной исключительно на обнаружение ограничивающих рамок, Ultralytics YOLO11 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB) — и всё это в удобной экосистеме.

Оптимизированные рабочие процессы машинного обучения

Ultralytics предоставляет сквозной рабочий процесс. Вместо сложной настройки среды, характерной для исследовательских репозиториев, ты можешь обучать, валидировать и экспортировать модели через унифицированный API Python или интерфейс командной строки. Платформа Ultralytics также упрощает разметку наборов данных и облачное обучение.

Сравнение производительности и технических характеристик#

В таблице ниже подробно показана производительность этих моделей разных размеров. Обрати внимание, что у моделей YOLO11 меньше параметров и FLOPs, чем у соответствующих моделей YOLOv6, при этом mAP выше для каждого размера.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Требования к памяти и эффективность обучения#

При подготовке пользовательских данных эффективность обучения имеет первостепенное значение. Модели Ultralytics YOLO обычно требуют во время обучения меньше VRAM, чем многие промышленные сети и крупные архитектуры на основе трансформеров, поэтому исследователи могут дообучать высокоточные модели на потребительских GPU. Также активно поддерживаются такие инструменты, как подбор гиперпараметров и интеграции для журналирования (например, Weights & Biases или Comet.

Сценарии использования и рекомендации#

Выбор между YOLOv6 и YOLO11 зависит от требований твоего проекта, ограничений развертывания 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 выбирать YOLO11#

YOLO11 рекомендуется для:

  • Промышленное развертывание на периферийных устройствах: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где особенно важны надёжность и активная поддержка.
  • Многозадачные приложения компьютерного зрения: проекты, в которых в рамках единого фреймворка требуются обнаружение объектов, сегментация, оценка позы и OBB.
  • Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.

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.

Пример кода: унифицированный Python API#

Для обучения современной модели с Ultralytics достаточно нескольких строк кода. Этот же API позволяет выполнять предсказания, проверки и экспортировать модели в такие форматы, как ONNX или OpenVINO.

from ultralytics import YOLO

# Загрузить предварительно обученную модель YOLO11 Nano
model = YOLO("yolo11n.pt")

# Обучи модель на наборе данных COCO8 в течение 50 эпох
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Выполнить быстрый инференс на примере изображения
prediction = model("https://ultralytics.com/images/bus.jpg")

# Экспортируй модель для развертывания на периферийных устройствах
model.export(format="onnx")

Взгляд в будущее: появление YOLO26#

YOLO11 значительно превосходит более ранние модели YOLO, однако разработчикам, которым нужна лучшая производительность на сегодняшний день, стоит перейти на Ultralytics YOLO26.

Выпущенная в январе 2026 года YOLO26 предлагает несколько улучшений эффективности и точности:

  • Сквозная архитектура без NMS: Опциональный пропуск подавления немаксимумов (NMS) с помощью головы один-к-одному (nms=False) сокращает задержку постобработки. Этот подход впервые появился в YOLOv10.
  • Оптимизатор MuSGD: Перенося методы обучения больших языковых моделей (LLM) в компьютерное зрение, этот оптимизатор объединяет SGD и Muon, обеспечивая стабильную и быструю сходимость.
  • Оптимизация для CPU: Благодаря отказу от Distribution Focal Loss (DFL) модель YOLO26n обеспечивает инференс на CPU до 43% быстрее YOLO11n, поэтому YOLO26 отлично подходит для мобильных устройств, IoT и приложений периферийного ИИ.
  • Усовершенствования обучения: ProgLoss и STAL улучшают распознавание мелких объектов, что важно для аэрофотосъёмки и робототехники.

Заключение и рекомендации#

Если среда развёртывания ограничена тщательно настроенными промышленными конвейерами на GPU, где требуется пакетный инференс, YOLOv6-3.0 остаётся подходящим вариантом. Однако для большинства реальных сценариев, требующих масштабируемых, простых в обучении и высокоточных моделей, рекомендуются Ultralytics YOLO11 и более новая YOLO26.

Экосистема Ultralytics помогает быстро пройти путь от сбора набора данных до развёртывания на периферийных устройствах благодаря обширной документации и поддержке сообщества. Если ты рассматриваешь другие эффективные архитектуры, YOLOv8 остаётся проверенным вариантом для существующих развёртываний, а новые проекты можно сразу начинать с YOLO26.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.