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 развертывания. Ниже мы рассмотрим их архитектуры, методы обучения и оптимальные сценарии применения в реальных условиях, чтобы помочь тебе 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.

Важная особенность архитектуры — модуль двунаправленной конкатенации (BiC) в шейной части, который улучшает объединение признаков разных масштабов. Для ускорения сходимости на этапе обучения YOLOv6 использует стратегию обучения с помощью якорей (AAT). Во время обучения эта стратегия временно задействует якорные рамки, чтобы получить преимущества подходов на основе якорей, тогда как вывод изначально остается безъякорным.

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 компанией Ultralytics модель YOLO11 знаменует собой важный шаг к созданию унифицированного высокоэффективного фреймворка, способного одновременно решать широкий спектр задач компьютерного зрения.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLO11

Преимущества Ultralytics#

Специализированные промышленные модели полезны, но большинство современных разработчиков отдают приоритет балансу производительности, простоты использования, эффективности расходования памяти и разнообразия поддерживаемых задач. YOLO11 выделяется комплексностью своего решения.

В отличие от YOLOv6, предназначенной исключительно для обнаружения ограничивающих рамок, Ultralytics YOLO11 изначально поддерживает сегментацию экземпляров, оценку позы, классификацию изображений и извлечение ориентированных ограничивающих рамок (OBB). При этом экосистема модели остается исключительно доступной.

Сравнение производительности и технических характеристик#

В таблице ниже подробно показана производительность этих моделей разных размеров. Обрати внимание на существенное сокращение количества параметров и FLOPs у моделей YOLO11 по сравнению с соответствующими моделями YOLOv6, благодаря которому YOLO11 обеспечивает более сбалансированную производительность.

Требования к памяти и эффективность обучения#

При подготовке собственных данных эффективность обучения имеет первостепенное значение. Для обучения моделей Ultralytics YOLO требуется значительно меньше видеопамяти (VRAM), чем для сильно модифицированных промышленных сетей или крупных архитектур на основе Transformer. Это делает ИИ доступнее и позволяет исследователям дообучать высокоточные модели на потребительских GPU. Кроме того, благодаря активному сообществу Ultralytics такие инструменты, как настройка гиперпараметров и интеграции для логирования (например, Weights & Biases или Comet ML), всегда актуальны.

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, 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.

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 устаревшие архитектуры, но разработчикам, которым нужна максимальная производительность, стоит перейти на передовую модель Ultralytics YOLO26.

Выпущенная в январе 2026 года YOLO26 задает новый стандарт эффективности моделей ИИ и предлагает ранее невиданные в компьютерном зрении инновации:

• Сквозная архитектура без NMS: возможность отключить (nms=False) подавление немаксимумов (NMS) значительно снижает задержку при развертывании. Этот подход впервые появился в YOLOv10.
• Оптимизатор MuSGD: этот оптимизатор переносит стабильность обучения LLM на задачи компьютерного зрения и объединяет SGD с Muon для исключительно стабильной и быстрой сходимости.
• Оптимизация для CPU: за счет отказа от Distribution Focal Loss (DFL) YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает модель идеальным выбором для мобильных устройств, IoT и периферийных приложений ИИ.
• Усовершенствованные функции потерь: реализации ProgLoss и STAL значительно улучшают распознавание небольших объектов, что особенно важно для аэрофотосъемки и робототехники.

Заключение и рекомендации#

Если развертывание ограничено высокооптимизированными промышленными конвейерами на GPU, которым требуется пакетный инференс, YOLOv6-3.0 остается интересным инструментом. Однако для большинства реальных сценариев, где нужны масштабируемые, простые в обучении и высокоточные модели, безусловно рекомендуем Ultralytics YOLO11 и передовую YOLO26.

Экосистема Ultralytics позволяет быстро пройти путь от сбора датасета до развертывания на периферийных устройствах, обеспечивая актуальность проектов в будущем, а также доступ к обширной документации и поддержке сообщества. Если ты рассматриваешь другие эффективные архитектуры, рекомендуем также изучить YOLOv8 с ее надежной проверенной поддержкой устаревших систем или сразу перейти к следующему поколению — YOLO26.