YOLOv6-3.0 и YOLO26#

Эволюция обнаружения объектов в реальном времени принесла множество впечатляющих инноваций и нередко разделяла внимание между пропускной способностью промышленных GPU и универсальными архитектурами, оптимизированными для периферийных устройств. В этом подробном сравнении мы рассмотрим особенности двух мощных моделей: ориентированной на промышленность YOLOv6-3.0 и недавно выпущенной сквозной Ultralytics YOLO26.

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#

YOLOv6-3.0 разработана отделом Vision AI компании Meituan как «детектор объектов следующего поколения для промышленного применения». Модель ориентирована на максимальную пропускную способность аппаратных ускорителей, например специализированных GPU, и поэтому отлично подходит для высокоскоростной офлайн-видеоаналитики.

• 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 для улучшения объединения признаков используется модуль двунаправленной конкатенации (BiC) в шейке, а также стратегия обучения с помощью анкерных рамок (AAT). В основе модели лежит EfficientRep — топология, специально разработанная для эффективной работы на GPU. Благодаря этому модель очень быстрая при использовании NVIDIA TensorRT, но на устройствах с одним CPU или на периферийных устройствах без значительных возможностей параллельных вычислений задержка может быть выше.

Узнай больше о YOLOv6-3.0

YOLO26: новый стандарт для периферийных устройств и облака#

Выпущенная в январе 2026 года, Ultralytics YOLO26 знаменует смену парадигмы. Она отказывается от сложной постобработки в пользу унифицированной многозадачной платформы, которая быстрее, компактнее и проще в развертывании.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLO26

Ключевые архитектурные прорывы#

YOLO26 включает несколько новаторских усовершенствований, отличающих ее от предыдущих поколений:

• Сквозная архитектура без NMS: Развивая идеи, впервые реализованные в YOLOv10, YOLO26 предлагает опциональную сквозную голову one-to-one (nms=False), которая пропускает этап постобработки подавления немаксимумов (NMS). Это значительно сокращает вариативность задержки и существенно упрощает логику развертывания.
• До 43% более быстрый инференс на CPU: YOLO26 специально оптимизирована для периферийных вычислений и отлично работает на устройствах без GPU, поэтому подходит для мобильных телефонов, датчиков IoT и робототехники.
• Удаление DFL: Distribution Focal Loss удалена, что упрощает экспорт модели и улучшает ее совместимость с периферийными устройствами с низким энергопотреблением.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM, такими как Kimi K2 от Moonshot AI, новый оптимизатор MuSGD (гибрид стохастического градиентного спуска и Muon) обеспечивает стабильность при работе с большими масштабами и ускоряет сходимость в задачах компьютерного зрения.
• ProgLoss + STAL: Передовые функции потерь заметно улучшают распознавание небольших объектов — это важное преимущество для приложений, работающих со снимками с воздуха и плотными сценами.

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.

Как видно из данных, YOLO26 неизменно демонстрирует превосходный баланс производительности. Например, YOLO26n обеспечивает прирост mAP на 3,4 пункта относительно YOLOv6-3.0n, используя при этом примерно вдвое меньше параметров и FLOPs.

Преимущества Ultralytics#

При выборе модели важно учитывать окружающую программную экосистему. В этом отношении пакет Ultralytics обладает существенными преимуществами перед статичными исследовательскими репозиториями:

• Простота использования: Ultralytics обеспечивает разработчикам простой путь от первых шагов к профессиональному уровню. Единый API Python позволяет переключаться между задачами и моделями, изменяя всего один строковый параметр.
• Надежная экосистема с активной поддержкой: Благодаря платформе Ultralytics разработчики получают доступ к постоянно обновляемой среде для непрерывного управления наборами данных, облачного обучения и удобного экспорта моделей в такие форматы, как ONNX и OpenVINO.
• Требования к памяти: YOLO26 использует эффективную методику обучения и требует значительно меньше памяти как при обучении, так и при инференсе. Это выгодно отличает ее от архитектур на основе Transformer, таких как RT-DETR, которым требуется огромный объем памяти CUDA.
• Универсальность: Благодаря встроенной поддержке обнаружения, сегментации, классификации, оценки позы и OBB YOLO26 подходит для широкого спектра сложных многозадачных приложений компьютерного зрения.

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 highly efficient, end-to-end 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,  # Utilizes 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 развертывать YOLO26: Безусловно лучший выбор для современных масштабируемых приложений. Благодаря инференсу на CPU на 43% быстрее и архитектуре без NMS модель отлично подходит для аналитики с дронов, удаленных датчиков IoT, мобильной робототехники и любых сценариев периферийных вычислений, где при строгих ограничениях по энергопотреблению необходимы одновременно низкая задержка и высокая точность.

Заключение#

YOLOv6-3.0 сохраняет полезность в отдельных промышленных конвейерах с высокой пропускной способностью, использующих устаревшие конфигурации TensorRT, однако Ultralytics YOLO26 определяет будущее компьютерного зрения. Благодаря оптимизациям обучения, вдохновленным LLM (MuSGD), и устранению узких мест постобработки YOLO26 обеспечивает непревзойденные гибкость, скорость и точность. В сочетании с надежной и удобной экосистемой Ultralytics эта модель позволяет разработчикам с беспрецедентной простотой создавать и развертывать передовые приложения компьютерного зрения.