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.
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.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: ultralytics/ultralytics
- Документация: Документация YOLO11
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.
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.
| Модель | размер (пиксели) | mAPval50-95 | 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 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.