YOLOv6-3.0 vs. YOLOv5: Всестороннее техническое сравнение

Эволюция обнаружения объектов в реальном времени привела к появлению множества архитектур, оптимизированных для различных сценариев развертывания. В этом углубленном анализе мы сравниваем две выдающиеся модели: ориентированную на промышленность YOLOv6-3.0 и фундаментальную, высокоуниверсальную Ultralytics YOLOv5. Понимание архитектурных решений, метрик производительности и поддержки экосистемы каждой из них поможет вам выбрать оптимальный фреймворк компьютерного зрения для ваших реальных приложений.

YOLOv6-3.0: Промышленная пропускная способность и аппаратная оптимизация

Разработанный отделом Vision AI в Meituan, YOLOv6-3.0 в значительной степени адаптирован для высокопроизводительных промышленных сред. Он сосредоточен на максимизации частоты кадров на аппаратных ускорителях, таких как специализированные NVIDIA GPU.

Авторы: Чуйи Ли, Лулу Ли, Ифэй Генг, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдан Ке, Сяомин Сюй и Сянсян Чу
Организация: Meituan
Дата: 2023-01-13
Arxiv:2301.05586
GitHub:meituan/YOLOv6
Документация:Документация YOLOv6

Архитектурные преимущества

YOLOv6-3.0 представляет несколько структурных оптимизаций, разработанных для скорости. Модель использует бэкбон EfficientRep, который специально спроектирован как аппаратно-ориентированный для инференса на GPU. Это делает архитектуру особенно мощной для задач офлайн-пакетной обработки.

На этапе обучения модель использует стратегию обучения с использованием якорей (AAT). Этот подход стремится объединить стабильность обучения на основе якорей со скоростью безаякорного вывода. Кроме того, его архитектура шейки использует модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков в разных масштабах. Хотя он высоко оптимизирован для высокопроизводительных серверных GPU с использованием TensorRT, эта специализация иногда может приводить к увеличению задержки на устройствах, работающих только на CPU, или на маломощных периферийных устройствах.

Узнайте больше о YOLOv6

Ultralytics YOLOv5: Пионер доступного ИИ для зрения

Выпущенный Ultralytics, YOLOv5 установил новый стандарт простоты использования, эффективности обучения и надёжного развёртывания. Он демократизировал высокопроизводительное обнаружение объектов, глубоко интегрировавшись с современными рабочими процессами глубокого обучения.

Авторы: Гленн Джокер
Организация:Ultralytics
Дата: 2020-06-26
GitHub:ultralytics/yolov5
Платформа:Ultralytics Platform

Экосистема и универсальность

Отличительной чертой YOLOv5 является его простота использования. Разработанный на основе фреймворка PyTorch, репозиторий предоставляет унифицированный API на python, который значительно упрощает жизненный цикл машинного обучения. От настройки набора данных до окончательного развертывания, интегрированная экосистема гарантирует, что разработчики тратят меньше времени на отладку окружений и больше времени на создание приложений.

YOLOv5 не ограничивается только detect объектов. Он обладает исключительной универсальностью, нативно поддерживая классификацию изображений и instance segmentation. Кроме того, он предлагает беспрецедентную эффективность обучения, с интеллектуальным кэшированием, автоматизированными загрузчиками данных и встроенной поддержкой распределенного обучения на нескольких GPU.

Эффективность использования памяти в моделях Ultralytics

При сравнении архитектур моделей потребление памяти является критическим фактором. Модели Ultralytics YOLO поддерживают значительно более низкие требования к видеопамяти как во время обучения, так и во время инференса по сравнению с тяжелыми трансформерными моделями, что делает их легкодоступными для разработчиков, использующих потребительское оборудование или облачные ноутбуки, такие как Google Colab.

Узнайте больше о YOLOv5

Сравнение производительности и архитектуры

В таблице ниже представлены метрики производительности обеих архитектур при оценке на стандартном наборе данных COCO. Обратите внимание, как модели балансируют компромисс между средней средней точностью и скоростью инференса в различных средах.

Модель	размер ^{(пиксели)}	mAP^val 50-95	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

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

Анализ

YOLOv6-3.0 достигает впечатляющих показателей mAP и сильно оптимизирован для конвейеров TensorRT на GPU T4. Однако YOLOv5 отвечает невероятно хорошо поддерживаемой экосистемой, которая поддерживает немедленный экспорт в различные форматы, включая ONNX, CoreML и TFLite. Этот баланс производительности гарантирует, что YOLOv5 надежно работает не только на выделенных серверах, но и на мобильных устройствах и в периферийных вычислительных средах, таких как Raspberry Pi.

Пример кода: Бесшовное обучение с Ultralytics

Одним из величайших преимуществ экосистемы Ultralytics является оптимизированный пользовательский опыт. Обучение модели, ее оценка и экспорт требуют всего нескольких строк кода на Python.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
# The API automatically handles dataset downloads and hyperparameter configuration
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format for flexible deployment
model.export(format="onnx")

Идеальные варианты использования и сценарии развертывания

Выбор между этими архитектурами часто зависит от ваших специфических инфраструктурных ограничений:

Когда развертывать YOLOv6-3.0: Идеально подходит для автоматизированных производственных линий и высокопроизводительной серверной аналитики, где доступны выделенные GPU NVIDIA и задержка должна быть минимальной. Его архитектура превосходно работает в средах, где оптимизации TensorRT могут быть полностью использованы.
Когда развертывать YOLOv5: Идеальный выбор для быстрого прототипирования, кроссплатформенного развертывания и команд, ищущих унифицированный конвейер. Его разнообразные возможности экспорта делают его идеальным для розничной аналитики на граничных устройствах, мониторинга сельскохозяйственных дронов и оценки позы в фитнес-приложениях.

Будущее обнаружения объектов: Представляем YOLO26

Хотя YOLOv5 и YOLOv6 представляют собой значительные вехи, область компьютерного зрения быстро развивается. Для разработчиков, начинающих новые проекты или стремящихся к абсолютному передовому уровню, мы настоятельно рекомендуем обновиться до Ultralytics YOLO26 (выпущен в январе 2026 года).

YOLO26 переосмысливает ИИ-зрение для периферийных устройств, представляя новаторскую сквозную NMS-Free архитектуру. Устраняя необходимость в постобработке Non-Maximum Suppression, он упрощает логику развертывания и значительно снижает вариативность задержки.

Ключевые нововведения в YOLO26 включают:

Оптимизатор MuSGD: Гибрид SGD и Muon, переносящий передовую стабильность обучения LLM в компьютерное зрение для более быстрой и надежной сходимости.
До 43% более быстрый инференс на CPU: Значительно оптимизирован для сред без выделенных ускорителей.
Удаление DFL: Удаление Distribution Focal Loss упрощает процесс экспорта и повышает совместимость с маломощными периферийными устройствами.
ProgLoss + STAL: Передовые функции потерь, которые значительно повышают распознавание мелких объектов, что имеет решающее значение для аэросъемки и датчиков IoT для умных городов.

Для задач общего назначения YOLO11 также остается отличным, полностью поддерживаемым выбором в семействе Ultralytics.

Узнайте больше о YOLO26

Заключение

Как YOLOv6-3.0, так и YOLOv5 сыграли ключевую роль в развитии обнаружения в реальном времени. YOLOv6-3.0 предлагает высокоспециализированную архитектуру для пропускной способности, ускоренной GPU, в то время как YOLOv5 обеспечивает беспрецедентный опыт для разработчиков благодаря обширной документации, простоте использования и многозадачным возможностям.

Для современных приложений использование интегрированной экосистемы Ultralytics гарантирует перспективный рабочий процесс. Применяя новейшие архитектуры, такие как YOLO26, вы гарантируете, что ваши конвейеры развертывания получат выгоду от последних достижений в скорости, точности и алгоритмической простоте.