YOLOv6-3.0 и YOLOv5#

Для разных сценариев развертывания разработано множество архитектур детекции объектов в реальном времени. В этом подробном обзоре мы сравним две заметные модели: ориентированную на промышленность YOLOv6-3.0 и базовую, универсальную 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, ориентированных на скорость. В модели используется backbone EfficientRep, специально созданный для эффективной работы GPU при инференсе. Благодаря этому архитектура особенно хорошо подходит для автономной пакетной обработки.

На этапе обучения модель использует стратегию обучения с помощью якорей (AAT). Этот подход призван объединить стабильность обучения с якорями и скорость безъякорного инференса. Кроме того, в архитектуре neck используется модуль двунаправленной конкатенации (BiC), улучшающий объединение признаков разных масштабов. Несмотря на высокую оптимизацию для мощных серверных GPU с использованием TensorRT, эта специализация иногда приводит к увеличению задержки на граничных устройствах, работающих только на CPU или с низким энергопотреблением.

Подробнее о YOLOv6

Ultralytics YOLOv5: первопроходец доступного ИИ для компьютерного зрения#

Выпущенная компанией Ultralytics, YOLOv5 установила новый стандарт простоты использования, эффективности обучения и надежности развертывания. Благодаря глубокой интеграции с современными рабочими процессами глубокого обучения эта модель сделала высокопроизводительную детекцию объектов доступной для всех.

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: ultralytics/yolov5
• Платформа: платформа Ultralytics

Экосистема и универсальность#

Главная особенность YOLOv5 — простота использования. Созданный на базе фреймворка PyTorch репозиторий предоставляет единый API Python, значительно упрощающий жизненный цикл машинного обучения. От настройки набора данных до финального развертывания — интегрированная экосистема помогает разработчикам тратить меньше времени на отладку окружения и больше — на создание приложений.

YOLOv5 подходит не только для детекции объектов. Модель отличается исключительной универсальностью и изначально поддерживает классификацию изображений и сегментацию экземпляров. Кроме того, она обеспечивает непревзойденную эффективность обучения благодаря интеллектуальному кэшированию, автоматическим загрузчикам данных и встроенной поддержке распределенного обучения на нескольких GPU.

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.

Анализ#

YOLOv6-3.0 показывает впечатляющие результаты mAP и тщательно оптимизирована для конвейеров TensorRT на GPU T4. Однако YOLOv5 может похвастаться чрезвычайно хорошо поддерживаемой экосистемой, обеспечивающей быстрый экспорт в различные форматы, включая ONNX, CoreML и LiteRT. Такой баланс производительности позволяет YOLOv5 надежно работать не только на выделенных серверах, но и на мобильных устройствах и в средах граничных вычислений, например на Raspberry Pi.

Пример кода: простое обучение с Ultralytics#

Одно из главных преимуществ экосистемы Ultralytics — удобство работы. Для обучения и оценки модели, а также ее экспорта 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 развертывать YOLOv5: отличный выбор для быстрого прототипирования, кроссплатформенного развертывания и команд, которым нужен единый конвейер. Благодаря разнообразным возможностям экспорта модель идеально подходит для розничной аналитики на граничных устройствах и мониторинга сельскохозяйственных территорий с помощью дронов.

Будущее детекции объектов: встречайте YOLO26#

YOLOv5 и YOLOv6 стали важными этапами развития, но компьютерное зрение продолжает стремительно развиваться. Разработчикам, которые начинают новые проекты или стремятся использовать самые передовые решения, мы настоятельно рекомендуем перейти на Ultralytics YOLO26 (выпущена в январе 2026 года).

YOLO26 меняет подход к компьютерному зрению на периферии благодаря революционной сквозной архитектуре без NMS. Если выбрать голову без NMS с помощью nms=False, модель пропускает этап постобработки с подавлением немаксимумов. Это упрощает логику развертывания и значительно уменьшает вариативность задержки.

Ключевые нововведения YOLO26:

• Оптимизатор MuSGD: гибрид SGD и Muon, который переносит передовые методы стабилизации обучения больших языковых моделей в компьютерное зрение, обеспечивая более быструю и надежную сходимость.
• До 43% быстрее инференс на CPU: модель глубоко оптимизирована для сред без специализированных ускорителей.
• Удаление DFL: отказ от Distribution Focal Loss упрощает процесс экспорта и повышает совместимость с маломощными периферийными устройствами.
• ProgLoss + STAL: продвинутые функции потерь значительно повышают точность распознавания мелких объектов, что особенно важно для аэрофотосъёмки и IoT-датчиков умного города.

Для задач общего назначения YOLO11 также остаётся отличным и полностью поддерживаемым решением в линейке Ultralytics.

Заключение#

И YOLOv6-3.0, и YOLOv5 сыграли ключевую роль в развитии детекции в реальном времени. YOLOv6-3.0 предлагает узкоспециализированную архитектуру для высокой пропускной способности с ускорением на GPU, а YOLOv5 обеспечивает непревзойдённый опыт разработки благодаря обширной документации, простоте использования и поддержке множества задач.

Для современных приложений интегрированная экосистема Ultralytics обеспечивает перспективный рабочий процесс. Используя новейшие архитектуры, такие как YOLO26, ты гарантируешь, что конвейеры развёртывания будут использовать последние достижения в скорости, точности и простоте алгоритмов.