YOLOv6-3.0 и YOLOv10#

Компьютерное зрение становится все сложнее, поэтому выбор оптимальной модели — важное решение для разработчиков и инженеров машинного обучения. При изучении эволюции обнаружения объектов и моделей Ultralytics YOLO важно понимать компромиссы между разными архитектурными подходами. В этом руководстве подробно сравниваются YOLOv6-3.0 и YOLOv10 — две модели с разными преимуществами для промышленного и периферийного развертывания.

Знакомство с YOLOv6-3.0: модель для промышленной пропускной способности#

YOLOv6-3.0 разработана для максимальной пропускной способности в промышленных серверных приложениях и ориентирована на быстрый инференс с использованием аппаратных ускорителей, особенно GPU. Благодаря оптимизированному бэкбону модель стремится сочетать высокую скорость обработки видео с конкурентной точностью.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Основные особенности архитектуры#

В основе YOLOv6-3.0 лежит архитектура, оптимизированная для работы с аппаратным обеспечением. В шейную часть встроен модуль двунаправленной конкатенации (BiC), улучшающий объединение признаков разных масштабов. Кроме того, в сети используется стратегия обучения с помощью якорей (AAT), которая объединяет стабильность детекторов на основе якорей во время обучения со скоростью вывода без якорей.

Благодаря бэкбону EfficientRep эта модель отлично справляется с ресурсоемкими задачами автоматизации производства, где обычно используется пакетная обработка на мощном оборудовании NVIDIA, например GPU T4 или A100. Модель хорошо работает в серверных кластерах, но зависимость от специфических аппаратных оптимизаций может снижать эффективность на маломощных периферийных CPU.

Подробнее о YOLOv6

Знакомство с YOLOv10: первопроходец в области моделей без NMS#

Представленная более чем через год YOLOv10 изменила подход к решению одной из самых устойчивых проблем традиционных конвейеров обнаружения объектов — постобработке с подавлением немаксимумов (NMS).

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10

Основные особенности архитектуры#

Главный вклад YOLOv10 в эту область — сквозная архитектура без NMS. Благодаря согласованным двойным назначениям во время обучения сеть выдает ровно одну высококачественную ограничивающую рамку на каждый объект, устраняя необходимость в эвристических операциях NMS при инференсе. Эта инновация значительно сокращает задержку инференса от начала до конца и существенно упрощает логику развертывания на периферийных устройствах, таких как нейропроцессоры (NPU).

Кроме того, модель отличается комплексной архитектурой, ориентированной на баланс эффективности и точности. Благодаря всесторонней оптимизации различных слоев YOLOv10 значительно сокращает избыточные вычисления. Поэтому модель отлично подходит для сред с ограниченными ресурсами, в том числе для автономных транспортных средств и периферийной робототехники.

Подробнее о YOLOv10

Подробное сравнение производительности#

При сравнительном тестировании этих моделей производительность обычно оценивают по точности, скорости и эффективности использования параметров. В таблице ниже показаны результаты архитектур разных масштабов.

Анализ#

В сопоставимых размерных категориях YOLOv10 стабильно обеспечивает более высокую среднюю точность (mAP), чем YOLOv6-3.0. Например, YOLOv10n достигает 38.5% mAP всего с 2.3 миллиона параметров, тогда как YOLOv6-3.0n набирает 37.5%, используя более чем вдвое больше параметров. Однако YOLOv6-3.0n обеспечивает меньшую задержку чистого инференса TensorRT на GPU T4 (1.17ms), демонстрируя глубокую оптимизацию для оборудования с параллельной обработкой.

Сценарии использования и рекомендации#

Выбор между YOLOv6 и YOLOv10 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 YOLOv10#

YOLOv10 рекомендуется для таких задач:

• Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
• Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
• Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

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.

Преимущества Ultralytics: почему YOLO26 — лучший выбор#

YOLOv6-3.0 и YOLOv10 предлагают надежные базовые архитектуры, но для современных промышленных сред нужны модели, сочетающие максимальную точность с исключительной простотой использования. Именно здесь фреймворк модели Ultralytics YOLO26 принципиально превосходит отдельные академические разработки.

Выпущенная в январе 2026 года YOLO26 объединяет лучшие инновации предыдущих лет в тщательно поддерживаемой экосистеме.

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: развивая концепцию, впервые реализованную в YOLOv10, опциональная голова с назначением один к одному (nms=False) в YOLO26 пропускает постобработку NMS, обеспечивая более плавное и предсказуемое время инференса и значительно упрощая вывод в промышленную эксплуатацию.
• Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновленный оптимизациями больших языковых моделей, такими как Kimi K2 от Moonshot AI, обеспечивает исключительно стабильное обучение и значительно ускоряет сходимость.
• Инференс на CPU до 43% быстрее: YOLO26 использует специальные архитектурные упрощения для периферийных устройств, благодаря чему значительно лучше подходит для развертывания на чипах IoT и потребительских CPU.
• Отказ от DFL: отказ от Distribution Focal Loss упрощает экспорт головы и значительно повышает совместимость с низкопотребляющими движками развертывания, такими как OpenVINO или NCNN.
• ProgLoss + STAL: усовершенствованные формулы функции потерь заметно повышают точность распознавания небольших объектов, что крайне важно для эксплуатации беспилотников и отслеживания удаленных объектов.

Кроме того, в отличие от репозиториев, рассчитанных на одну задачу, экосистема Ultralytics из коробки поддерживает широкий спектр задач компьютерного зрения, в том числе обнаружение ограничивающих рамок, сегментацию экземпляров, классификацию изображений и оценку позы.

Эффективность обучения и оптимизация памяти#

Важное преимущество моделей Ultralytics YOLO перед сложными архитектурами на основе Transformer, такими как RT-DETR, — исключительно низкое потребление памяти CUDA во время обучения. Разработчик может без труда дообучить YOLO26 на потребительском GPU или воспользоваться бесплатными облачными ресурсами, что значительно делает разработку ИИ доступнее.

Пример кода: начало работы с YOLO26#

Простой в использовании Python API Ultralytics позволяет загружать, обучать и тестировать модели всего несколькими строками кода.

from ultralytics import YOLO

# Инициализировать передовую модель YOLO26 nano
model = YOLO("yolo26n.pt")

# Без труда обучаем модель на наборе данных COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Оценить производительность модели на проверочных данных
metrics = model.val()

# Запустить инференс без NMS в реальном времени на целевом изображении
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортировать в формат ONNX для кроссплатформенного развертывания
model.export(format="onnx")

Заключение и альтернативные варианты#

Выбор между YOLOv6-3.0 и YOLOv10 зависит от среды развертывания. YOLOv6-3.0 остается подходящим вариантом для серверных систем с высокой пропускной способностью и большим количеством GPU, предназначенных для пакетной обработки видео. YOLOv10 предлагает более продуманную архитектуру без NMS, которая лучше подходит для баланса точности и сложной интеграции с периферийными устройствами.

Однако разработчикам, которым нужна максимальная производительность без компромиссов, подробная документация, облачное логирование через платформу Ultralytics и универсальность для разных задач, однозначно рекомендуем YOLO26.

Если нужна совместимость с устаревшей инфраструктурой, команда также может рассмотреть предыдущее поколение — Ultralytics YOLO11, — или изучить YOLO-World с его уникальными возможностями обнаружения объектов с открытым словарем.