YOLOv6-3.0 и YOLO26
Развитие обнаружения объектов в реальном времени привело к появлению моделей, ориентированных либо на пропускную способность промышленных GPU, либо на универсальное развёртывание с оптимизацией для периферийных устройств. В этом сравнении рассматриваются YOLOv6-3.0, ориентированная на промышленность, и Ultralytics YOLO26, в которой добавлен опциональный сквозной инференс без NMS.
Независимо от того, развертываешь ли ты модель на мощных серверных GPU или на периферийных устройствах с низким энергопотреблением, для оптимизации конвейеров компьютерного зрения важно понимать преимущества архитектур этих моделей и подходящие сценарии их применения.
YOLOv6-3.0: промышленная пропускная способность#
Разработанная отделом Vision AI компании Meituan, YOLOv6-3.0 позиционировалась как «детектор объектов нового поколения для промышленного применения». Модель ориентирована на максимальную пропускную способность ускорителей, например выделенных GPU, что делает её эффективным инструментом для высокоскоростной офлайн-аналитики видео.
- 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
Особенности архитектуры#
В YOLOv6-3.0 используется модуль двунаправленной конкатенации (BiC) в шейной части для улучшения слияния признаков, а также стратегия обучения с помощью якорей (AAT). В основе модели лежит EfficientRep — топология, разработанная с учётом требований оборудования для инференса на GPU. Благодаря этому модель работает очень быстро с NVIDIA TensorRT, но на CPU и периферийных устройствах без масштабной параллельной обработки задержка может быть выше.
YOLO26: новый стандарт для периферийных устройств и облака#
Выпущенная в январе 2026 года Ultralytics YOLO26 делает сложную постобработку опциональной и предлагает унифицированную многозадачную платформу, разработанную для повышения скорости, уменьшения размера и упрощения развёртывания.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2026-01-14
- GitHub: ultralytics/ultralytics
- Документация: Документация YOLO26
Ключевые особенности архитектуры#
YOLO26 предлагает несколько улучшений по сравнению с предыдущими поколениями:
- Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 предлагает дополнительную сквозную голову one-to-one (
nms=False), пропускающую постобработку с подавлением немаксимумов (NMS). Это снижает колебания задержки и упрощает логику развёртывания. - До 43% более быстрый CPU-инференс: YOLO26n оптимизирована для периферийных вычислений и работает на CPU до 43% быстрее YOLO11n, поэтому YOLO26 хорошо подходит для устройств без GPU, таких как мобильные телефоны, датчики IoT и роботы.
- Удаление DFL: Distribution Focal Loss удалена, что упрощает экспорт модели и улучшает ее совместимость с периферийными устройствами с низким энергопотреблением.
- Оптимизатор MuSGD: Новый оптимизатор MuSGD, вдохновлённый инновациями в обучении больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, — это гибрид стохастического градиентного спуска и Muon. Он обеспечивает стабильность обучения в стиле LLM для задач компьютерного зрения и ускоряет сходимость.
- ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учётом малых объектов улучшают распознавание мелких объектов. Это важное улучшение для задач, связанных с аэрофотоснимками и переполненными сценами.
В отличие от YOLOv6-3.0, которая работает только с ограничивающими рамками, YOLO26 включает специализированные улучшения для разных задач. К ним относятся функция потерь семантической сегментации и прототипы нескольких масштабов для сегментации экземпляров, оценка остаточного логарифмического правдоподобия (RLE) для оценки позы и специальная функция потерь угла для устранения проблем границ ориентированных ограничивающих рамок (OBB).
Подробное сравнение производительности#
При оценке моделей важен баланс скорости, точности и эффективности использования параметров. В таблице ниже показаны результаты этих моделей на наборе данных COCO.
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
Как показывают данные, YOLO26 обеспечивает более высокую точность при любом размере модели. Например, YOLO26n превосходит YOLOv6-3.0n на 3,4 mAP, имея примерно вдвое меньше параметров и FLOPs, хотя YOLOv6-3.0n быстрее работает на T4 с TensorRT (1,17 мс против 1,7 мс).
Преимущества Ultralytics#
При выборе модели важно оценить окружающую программную экосистему. Здесь набор инструментов Ultralytics предлагает практические преимущества по сравнению с исследовательскими репозиториями:
- Простота использования: Ultralytics обеспечивает удобную для разработчиков работу. Благодаря унифицированному API Python пользователи могут переключаться между задачами и моделями, изменив всего один строковый параметр.
- Поддерживаемая экосистема: Через платформу Ultralytics разработчики получают управление наборами данных, облачное обучение и экспорт моделей в такие форматы, как ONNX и OpenVINO.
- Требования к памяти: YOLO26 требует меньше памяти при обучении и инференсе, чем архитектуры на основе трансформеров, например RT-DETR, которым нужны значительно большие объёмы памяти CUDA.
- Универсальность: Благодаря встроенной поддержке обнаружения объектов, сегментации экземпляров, семантической сегментации, оценки глубины, классификации, оценки позы и OBB YOLO26 служит единой платформой для сложных многозадачных приложений компьютерного зрения.
Если ты создаёшь универсальный конвейер машинного обучения и хочешь рассмотреть другие варианты в экосистеме, Ultralytics YOLO11 остаётся стабильной и широко используемой основой для корпоративного развёртывания.
Пример кода: простое обучение#
Для развертывания и обучения с помощью библиотеки Ultralytics требуется минимум кода: она избавляет от сложного шаблонного кода, необходимого в фреймворках на основе низкоуровневого PyTorch. В примере ниже показано, как загрузить, обучить и проверить модель YOLO26.
from ultralytics import YOLO
# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")
# Train the model on the COCO8 dataset; optimizer="auto" selects MuSGD for longer runs (>10k iterations)
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
device=0, # Uses GPU for accelerated training
)
# Validate the trained model's performance
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")
# Run NMS-free inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)Оптимальные сценарии применения#
При выборе подходящей архитектуры необходимо соотнести преимущества модели с реальными ограничениями:
- Когда развертывать YOLOv6-3.0: Идеальный вариант для статичных серверных развертываний, где первостепенное значение имеет пакетная обработка. Модель EfficientRep отлично подойдет для таких сред, как высокоскоростные производственные линии или централизованные узлы видеонаблюдения умного города с выделенными GPU A100 или T4.
- Когда развёртывать YOLO26: Рекомендуемый выбор для современных масштабируемых приложений. Более быстрый инференс на CPU (до 43% для YOLO26n по сравнению с YOLO11n) и опциональная голова без NMS делают модель подходящей для аналитики с дронов, удалённых датчиков IoT, мобильной робототехники и любых сценариев периферийных вычислений, где при строгих ограничениях по энергопотреблению нужны одновременно низкая задержка и высокая точность.
Заключение#
YOLOv6-3.0 сохраняет свою полезность в отдельных промышленных конвейерах с высокой пропускной способностью и устаревшими конфигурациями TensorRT, однако для новых проектов рекомендуется Ultralytics YOLO26. Благодаря оптимизациям обучения, вдохновлённым LLM (MuSGD), и возможности отключить постобработку NMS YOLO26 сочетает гибкость, скорость и точность. Вместе с удобной экосистемой Ultralytics модель помогает разработчикам с меньшими усилиями создавать и развёртывать передовые приложения компьютерного зрения.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.