YOLOv6-3.0 vs YOLOv10#

Ландшафт компьютерного зрения становится всё сложнее, поэтому выбор оптимальной модели — критически важное решение для разработчиков и инженеров по машинному обучению. При оценке эволюции обнаружения объектов и моделей Ultralytics YOLO важно понимать компромиссы между различными архитектурными подходами. В этом руководстве приведено подробное техническое сравнение YOLOv6-3.0 и YOLOv10 — двух моделей с разными преимуществами для промышленных и периферийных развертываний.

Разбор YOLOv6-3.0: создана для промышленной пропускной способности#

YOLOv6-3.0 разработана для максимальной пропускной способности в серверных промышленных приложениях и ориентирована на быстрое выполнение инференса на аппаратных ускорителях, особенно GPU. Благодаря оптимизированному backbone модель стремится обеспечить баланс между высокоскоростной обработкой видео и конкурентной точностью.

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

Архитектурные особенности#

В основе YOLOv6-3.0 лежит аппаратно-ориентированный дизайн. В архитектуру neck встроен модуль двунаправленной конкатенации (BiC), улучшающий многомасштабное слияние признаков. Кроме того, сеть использует стратегию обучения с поддержкой anchor-боксов (AAT), которая巧но объединяет стабильность детекторов на основе anchor-боксов во время обучения со скоростью инференса anchor-free подхода.

Эта модель на базе backbone EfficientRep особенно хорошо показывает себя в ресурсоёмких задачах автоматизации производства, где пакетная обработка на мощном оборудовании NVIDIA, например GPU T4 или A100, является нормой. Хотя в серверных кластерах она демонстрирует отличные результаты, зависимость от специфических аппаратных оптимизаций может снизить её эффективность на маломощных периферийных CPU.

Узнай больше о YOLOv6

Разбор YOLOv10: первопроходец в области детектирования без NMS#

Представленная более чем годом позже, YOLOv10 изменила привычный подход, устранив одно из наиболее persistent узких мест традиционных конвейеров детектирования: постобработку 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

Архитектурные особенности#

Главный вклад YOLOv10 в развитие отрасли — сквозной дизайн без NMS. Благодаря согласованному двойному сопоставлению во время обучения сеть вынуждена выдавать ровно один высококачественный ограничивающий прямоугольник для каждого объекта, что устраняет необходимость в эвристической операции NMS во время инференса. Это нововведение значительно сокращает сквозную задержку инференса и существенно упрощает логику развертывания на периферийных устройствах, таких как нейропроцессорные блоки (NPUs).

Кроме того, модель отличается целостным дизайном, ориентированным на эффективность и точность. Благодаря комплексной оптимизации различных слоёв YOLOv10 резко сокращает вычислительную избыточность. Это делает её особенно подходящей для сред с ограниченными ресурсами, включая автономные транспортные средства и периферийную робототехнику.

Узнай больше о YOLOv10

Подробное сравнение производительности#

При сравнительном тестировании этих моделей производительность обычно оценивают по точности, скорости и эффективности использования параметров. В таблице ниже показано, как работают различные масштабы этих архитектур.

Анализ#

YOLOv10 стабильно достигает более высокой средней точности (mAP) в сопоставимых категориях размеров по сравнению с YOLOv6-3.0. Например, YOLOv10n достигает 39,5% 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 немного меньшую задержку чистого инференса в TensorRT на GPU T4 — 1,17 мс, демонстрируя глубокую оптимизацию для аппаратного обеспечения с параллельной обработкой.

Варианты применения и рекомендации#

Выбор между YOLOv6 и YOLOv10 зависит от конкретных 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 модели и эффективная репараметризация обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрое одностадийное обнаружение: приложения, в которых приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых средах.
• Интеграция с экосистемой Meituan: команды, уже работающие в технологическом стеке и инфраструктуре развертывания Meituan.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для:

• Обнаружения объектов в реальном времени без NMS: приложений, которым полезно сквозное обнаружение без подавления немаксимумов, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: проектов, требующих удачного баланса между скоростью инференса и точностью обнаружения для моделей разных размеров.
• Приложений со стабильной задержкой: сценариев развертывания, где критически важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Преимущество Ultralytics: почему YOLO26 — лучший выбор#

Хотя YOLOv6-3.0 и YOLOv10 предлагают надёжные базовые архитектуры, современные производственные среды требуют моделей, сочетающих максимальную точность с исключительным удобством использования. Именно здесь фреймворк модели Ultralytics YOLO26 принципиально превосходит отдельные академические разработки.

Выпущенная в январе 2026 года, YOLO26 объединяет лучшие инновации предыдущих лет и предлагает их в тщательно поддерживаемой экосистеме.

Ключевые инновации YOLO26#

• Сквозной дизайн без NMS: развивая концепцию, впервые реализованную в YOLOv10, YOLO26 изначально устраняет постобработку NMS, обеспечивая более плавное и предсказуемое время инференса, что значительно упрощает вывод в продакшен.
• Оптимизатор MuSGD: этот гибрид SGD и Muon, вдохновлённый оптимизациями больших языковых моделей, такими как Kimi K2 от Moonshot AI, обеспечивает исключительно стабильное обучение и значительно более быструю сходимость.
• До 43% более быстрый инференс на CPU: для периферийных устройств YOLO26 использует специальные архитектурные упрощения, благодаря чему значительно лучше подходит для развертывания на IoT-чипах и потребительских CPU.
• Удаление DFL: удаление Distribution Focal Loss упрощает экспорт head и значительно улучшает совместимость с маломощными движками развертывания, такими как OpenVINO или NCNN.
• ProgLoss + STAL: усовершенствованные формулировки функции потерь заметно повышают точность распознавания небольших объектов, что критически важно для операций с БПЛА и отслеживания удалённых объектов.

Кроме того, в отличие от репозиториев для одной задачи, экосистема Ultralytics из коробки поддерживает широкий спектр задач компьютерного зрения, включая обнаружение ограничивающих прямоугольников, сегментацию экземпляров, классификацию изображений и оценку позы.

Эффективность обучения и оптимизация памяти#

Ключевое 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 проблем дообучать YOLO26 на GPU потребительского класса или использовать бесплатные облачные ресурсы, что делает разработку ИИ значительно доступнее.

Пример кода: начало работы с YOLO26#

Удобство использования, которое предоставляет Ultralytics Python API, позволяет загружать, обучать и тестировать модели всего несколькими строками кода.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Evaluate model performance on validation data
metrics = model.val()

# Run real-time NMS-free inference on a target image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for cross-platform deployment
model.export(format="onnx")

Заключение и альтернативные варианты#

При выборе между YOLOv6-3.0 и YOLOv10 решение зависит от среды развертывания. YOLOv6-3.0 остаётся подходящим вариантом для серверных backend-систем с высокой пропускной способностью и большим количеством GPU, ориентированных на пакетную обработку видео. YOLOv10 предлагает более интеллектуальную архитектуру без NMS, лучше подходящую для сбалансированной точности и сложной интеграции на периферии.

Однако разработчикам, которым нужна производительность без компромиссов, подкреплённая подробной документацией, облачным журналированием через Ultralytics Platform и универсальностью для нескольких задач, однозначно рекомендуется YOLO26.

Если требуется поддержка устаревшей инфраструктуры, команды также могут рассмотреть предыдущее поколение — Ultralytics YOLO11, — или изучить YOLO-World для обнаружения объектов с уникальными возможностями работы с открытым словарём.