YOLOv6-3.0 и YOLOv10
По мере развития компьютерного зрения выбор оптимальной модели стал важным решением для разработчиков и инженеров по машинному обучению. При анализе эволюции обнаружения объектов и моделей Ultralytics YOLO важно понимать компромиссы между разными архитектурными подходами. В этом руководстве представлено подробное техническое сравнение YOLOv6-3.0 и YOLOv10 — двух моделей с разными преимуществами для промышленного развёртывания и периферийных устройств.
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 оборудования. В шейную часть встроен модуль двунаправленной конкатенации (BiC), улучшающий слияние признаков нескольких масштабов. Кроме того, сеть использует стратегию обучения с помощью якорей (AAT), которая сочетает стабильность детекторов на основе якорей во время обучения со скоростью инференса без якорей.
Благодаря основе EfficientRep модель подходит для сложных задач автоматизации производства, где обычно применяется пакетная обработка на мощном оборудовании NVIDIA, например GPU T4 или A100. Модель хорошо работает в серверных кластерах, но зависимость от специфических аппаратных оптимизаций может снизить её эффективность на маломощных периферийных CPU.
Разбираем YOLOv10: детекция в реальном времени без NMS#
Появившись более чем через год, YOLOv10 устранила одно из наиболее устойчивых узких мест традиционных конвейеров обнаружения: постобработку методом подавления 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 голова один-к-одному учится выдавать одну высококачественную ограничивающую рамку для каждого объекта, устраняя необходимость в эвристических операциях NMS при инференсе (в Ultralytics задай nms=False, чтобы использовать эту голову). Это снижает задержку инференса от начала до конца и упрощает логику развёртывания на периферийных устройствах, например на нейропроцессорах (NPU).
Кроме того, модель спроектирована с комплексным учётом эффективности и точности. Оптимизация различных компонентов YOLOv10 сокращает избыточные вычисления. Благодаря этому модель хорошо подходит для сред с ограниченными ресурсами, включая автономные транспортные средства и периферийную робототехнику.
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.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
Анализ#
YOLOv10 обеспечивает более высокий показатель средней точности (mAP), чем YOLOv6-3.0, при каждом сопоставимом размере. Например, YOLOv10n достигает 38,5% mAP всего с 2,3 миллиона параметров, тогда как YOLOv6-3.0n набирает 37,5%, имея более чем вдвое больше параметров. Однако чистый инференс YOLOv6-3.0n на TensorRT на GPU T4 быстрее (1,17 мс), что отражает оптимизацию модели для оборудования с параллельной обработкой.
Хотя при микротестировании показатели чистой задержки на GPU могут немного склоняться в пользу YOLOv6, отсутствие NMS в YOLOv10 часто ускоряет сквозные конвейеры в реальных условиях. Особенно заметно это на периферийном оборудовании, где постобработка может стать узким местом для CPU.
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, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
- Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.
Преимущества Ultralytics: почему стоит выбрать YOLO26#
YOLOv6-3.0 и YOLOv10 предлагают надёжные базовые архитектуры, однако современные производственные среды требуют моделей, сочетающих высокую точность и удобство использования. Здесь Ultralytics YOLO26 превосходит отдельные академические разработки.
Выпущенная в январе 2026 года, YOLO26 развивает инновации предыдущих моделей в рамках активно поддерживаемой экосистемы.
Ключевые инновации YOLO26#
- Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, дополнительная голова one-to-one в YOLO26 (
nms=False) пропускает постобработку с NMS, обеспечивая более плавное и предсказуемое время инференса, которое проще перенести в production. - Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновлённый оптимизациями обучения больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, обеспечивает стабильное обучение и быструю сходимость.
- До 43% более быстрый CPU-инференс: Упрощённая архитектура позволяет модели YOLO26n работать на CPU до 43% быстрее YOLO11n, что полезно при развёртывании на чипах IoT и потребительских CPU.
- Отказ от DFL: Отказ от Distribution Focal Loss упрощает экспорт головы и улучшает совместимость с низкопотребляющими средствами развёртывания, такими как OpenVINO и NCNN.
- ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учётом малых объектов улучшают распознавание мелких объектов, что особенно важно для работы беспилотных летательных аппаратов и отслеживания удалённых объектов.
Кроме того, в отличие от репозиториев, ориентированных на одну задачу, экосистема Ultralytics из коробки поддерживает широкий спектр задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).
Эффективность обучения и оптимизация памяти#
Важное преимущество моделей Ultralytics YOLO перед сложными архитектурами на основе трансформеров, такими как RT-DETR, — меньшее потребление памяти CUDA во время обучения. Разработчик может дообучить YOLO26 на потребительском GPU или воспользоваться бесплатными облачными ресурсами.
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
# Инициализация компактной модели YOLO26
model = YOLO("yolo26n.pt")
# Обучи модель на датасете 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#
При выборе между YOLOv6-3.0 и YOLOv10 решение зависит от среды развёртывания. YOLOv6-3.0 остаётся подходящим вариантом для серверных систем с высокой пропускной способностью и большим количеством GPU, ориентированных на пакетную обработку видео. YOLOv10 предлагает архитектуру без NMS, лучше подходящую для сбалансированной точности и сложной интеграции с периферийными устройствами.
Однако разработчикам, которым нужна высокая производительность, подкреплённая подробной документацией, облачным журналированием через платформу Ultralytics и универсальной поддержкой нескольких задач, рекомендуется YOLO26.
Если этого требуют устаревшие инфраструктурные решения, команда также может рассмотреть предыдущее поколение — Ultralytics YOLO11 — или изучить YOLO-World для обнаружения объектов с открытым словарём.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.