Начать

YOLOv6-3.0 и YOLOv5

Архитектуры компьютерного зрения развивались с учетом разных сценариев развертывания. В этом сравнении рассматриваются две заметные модели: ориентированная на промышленность YOLOv6-3.0 и базовая, крайне универсальная Ultralytics YOLOv5. Понимание архитектурных решений, показателей производительности и поддержки экосистемы каждой модели поможет тебе выбрать оптимальный фреймворк компьютерного зрения для реальных приложений.

YOLOv6-3.0: промышленная пропускная способность и оптимизация аппаратного обеспечения#

Разработанная отделом Vision AI компании Meituan, YOLOv6-3.0 предназначена прежде всего для промышленных сред с высокой пропускной способностью. Модель ориентирована на максимальную частоту кадров при работе на аппаратных ускорителях, например на выделенных GPU NVIDIA.

  • 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

Преимущества архитектуры#

В YOLOv6-3.0 реализовано несколько структурных оптимизаций, нацеленных на скорость. В модели используется основа EfficientRep, специально разработанная для эффективной работы с аппаратным обеспечением при инференсе на GPU. Благодаря этому архитектура хорошо подходит для автономной пакетной обработки.

На этапе обучения модель использует стратегию обучения с поддержкой якорей (AAT). Этот подход сочетает стабильность обучения на основе якорей со скоростью инференса без якорей. Кроме того, в шейке архитектуры используется модуль двунаправленной конкатенации (BiC), улучшающий объединение признаков на разных масштабах. Модель хорошо оптимизирована для мощных серверных GPU с использованием TensorRT, однако из-за этой специализации на устройствах только с CPU и на периферийных устройствах с низким энергопотреблением задержка иногда возрастает.

Подробнее о YOLOv6

Ultralytics YOLOv5: первопроходец доступного ИИ для компьютерного зрения#

Выпущенная Ultralytics в 2020 году YOLOv5 получила широкое распространение благодаря простоте использования, эффективности обучения и возможностям развертывания. Благодаря тесной интеграции с современными рабочими процессами глубокого обучения эта модель сделала высокопроизводительное обнаружение объектов доступным.

Экосистема и универсальность#

Главная особенность YOLOv5 — простота использования. Репозиторий изначально создан на базе фреймворка PyTorch и предоставляет единый API Python, упрощающий весь цикл машинного обучения. Интегрированная экосистема охватывает все этапы — от настройки набора данных до развертывания готовой модели — и позволяет разработчикам меньше времени тратить на отладку окружений и больше — на создание приложений.

YOLOv5 предназначена не только для обнаружения объектов. Она универсальна и изначально поддерживает сегментацию экземпляров и классификацию изображений, а также обеспечивает высокую эффективность обучения за счет интеллектуального кэширования, автоматизированных загрузчиков данных и встроенной поддержки распределенного обучения на нескольких GPU.

Эффективное использование памяти моделями Ultralytics

При сравнении архитектур моделей важно учитывать потребление памяти. Для обучения и инференса моделям Ultralytics YOLO требуется меньше видеопамяти, чем ресурсоемким моделям Transformer, поэтому они подходят разработчикам, использующим потребительское оборудование или облачные ноутбуки, например Google Colab.

Сравнение производительности и архитектур#

В таблице ниже приведены показатели производительности обеих архитектур по результатам оценки на стандартном наборе данных COCO. Обрати внимание, как модели балансируют между средней точностью и скоростью инференса в разных средах.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Анализ#

YOLOv6-3.0 обеспечивает более высокий mAP при сопоставимом размере и хорошо оптимизирована для конвейеров TensorRT на GPU T4. Однако YOLOv5 предлагает хорошо поддерживаемую экосистему с прямым экспортом во множество форматов, включая ONNX, CoreML и LiteRT. Такой сбалансированный уровень производительности позволяет YOLOv5 надежно работать не только на выделенных серверах, но и на мобильных устройствах и периферийных вычислительных платформах, таких как Raspberry Pi.

Пример кода: обучение с Ultralytics#

Одно из ключевых преимуществ экосистемы Ultralytics — удобство работы. Для обучения, оценки и экспорта модели достаточно нескольких строк Python.

from ultralytics import YOLO

# Загрузи предварительно обученную компактную модель YOLOv5
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Обучи модель на датасете COCO8
# API автоматически загружает наборы данных и настраивает гиперпараметры
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Запустить инференс на изображении
predictions = model("https://ultralytics.com/images/bus.jpg")

# Экспортируй модель в формат ONNX для гибкого развертывания
model.export(format="onnx")

Оптимальные сценарии применения и развертывания#

Выбор между этими архитектурами часто зависит от ограничений твоей инфраструктуры:

  • Когда развертывать YOLOv6-3.0: модель идеально подходит для автоматизированных производственных линий и серверной аналитики с высокой пропускной способностью, где доступны выделенные GPU NVIDIA и требуется минимальная задержка. Ее архитектура раскрывает свой потенциал в средах, где можно в полной мере использовать оптимизации TensorRT.
  • Когда стоит развертывать YOLOv5: эта модель хорошо подходит для быстрого прототипирования, кроссплатформенного развертывания и команд, которым нужен единый конвейер. Благодаря разнообразным возможностям экспорта она отлично справляется с аналитикой розничной торговли на периферийных устройствах и мониторингом сельскохозяйственных дронов.

Будущее детекции объектов: встречайте YOLO26#

Хотя YOLOv5 и YOLOv6 стали важными этапами развития, компьютерное зрение быстро развивается. Разработчикам, которые начинают новые проекты или хотят получить передовые показатели, Ultralytics рекомендует перейти на Ultralytics YOLO26 (выпущена в январе 2026 года).

YOLO26 создана для ИИ-компьютерного зрения с приоритетом периферийных устройств и предлагает необязательную сквозную архитектуру без NMS. Если выбрать голову без NMS с помощью nms=False, модель пропускает постобработку с подавлением немаксимумов, упрощая логику развертывания и уменьшая разброс задержки.

Ключевые нововведения YOLO26:

  • Оптимизатор MuSGD: гибрид SGD и Muon привносит в компьютерное зрение стабильность обучения больших языковых моделей (LLM), обеспечивая более быструю и надежную сходимость.
  • Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, что полезно в средах без выделенных ускорителей.
  • Удаление DFL: отказ от Distribution Focal Loss упрощает процесс экспорта и повышает совместимость с маломощными периферийными устройствами.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов улучшают распознавание небольших объектов, что крайне важно для аэрофотоснимков и датчиков умного города IoT.

Для задач общего назначения YOLO11 также остается полностью поддерживаемой моделью семейства Ultralytics.

Заключение#

YOLOv6-3.0 и YOLOv5 сыграли важную роль в развитии обнаружения в реальном времени. YOLOv6-3.0 предлагает узкоспециализированную архитектуру для высокой пропускной способности с GPU-ускорением, а YOLOv5 обеспечивает удобство разработки благодаря обширной документации, простоте использования и поддержке нескольких задач.

Для современных приложений экосистема Ultralytics предлагает активно поддерживаемый интегрированный рабочий процесс. Переходя на новейшие архитектуры, такие как YOLO26, ты получаешь преимущества последних улучшений скорости, точности и простоты.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.