YOLOv6-3.0 против YOLOv5#

Эволюция обнаружения объектов в реальном времени привела к появлению множества архитектур, оптимизированных для различных сценариев развертывания. В этом подробном разборе мы сравним две заметные модели: ориентированную на промышленное применение YOLOv6-3.0 и фундаментальную, чрезвычайно универсальную Ultralytics YOLOv5. Понимание архитектурных решений, показателей производительности и поддержки экосистемы каждой модели поможет тебе выбрать оптимальный фреймворк для компьютерного зрения в своих реальных приложениях.

YOLOv6-3.0: промышленная производительность и оптимизация оборудования#

Разработанная отделом Vision AI компании Meituan, YOLOv6-3.0 в значительной степени адаптирована для промышленных сред с высокой пропускной способностью. Модель ориентирована на максимальную частоту кадров на аппаратных ускорителях, таких как выделенные GPU NVIDIA.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu и Xiangxiang Chu
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• Документация: документация YOLOv6

Архитектурные преимущества#

YOLOv6-3.0 внедряет несколько структурных оптимизаций, разработанных для повышения скорости. В модели используется бэкбон EfficientRep, специально спроектированный с учетом особенностей оборудования для инференса на GPU. Благодаря этому архитектура особенно эффективна для задач пакетной обработки в автономном режиме.

На этапе обучения модель использует стратегию обучения с помощью якорей (AAT). Этот подход объединяет стабильность обучения на основе якорей со скоростью безъякорного инференса. Кроме того, в архитектуре neck используется модуль двунаправленной конкатенации (BiC) для улучшения объединения признаков на разных масштабах. Хотя эта специализация отлично подходит для высокопроизводительных серверных GPU с использованием TensorRT, на CPU или маломощных периферийных устройствах она иногда может приводить к увеличению задержки.

Узнай больше о YOLOv6

Ultralytics YOLOv5: первопроходец доступного компьютерного зрения с использованием AI#

Выпущенная компанией Ultralytics, YOLOv5 установила новый стандарт простоты использования, эффективности обучения и надежного развертывания. Она сделала высокопроизводительное обнаружение объектов доступным широкому кругу пользователей благодаря глубокой интеграции с современными рабочими процессами глубокого обучения.

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

Экосистема и универсальность#

Определяющая характеристика YOLOv5 — это простота использования. Репозиторий нативно построен на фреймворке PyTorch и предоставляет унифицированный API на Python, который значительно упрощает жизненный цикл машинного обучения. От настройки набора данных до финального развертывания интегрированная экосистема позволяет разработчикам тратить меньше времени на отладку окружений и больше — на создание приложений.

YOLOv5 не ограничивается только обнаружением объектов. Модель отличается исключительной универсальностью, нативно поддерживая 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, измеренные на стандартном наборе данных COCO. Обрати внимание, как модели балансируют между средней точностью (mAP) и скоростью инференса в разных средах.

Анализ#

YOLOv6-3.0 демонстрирует впечатляющие показатели mAP и тщательно оптимизирована для конвейеров TensorRT на GPU T4. Однако YOLOv5 компенсирует это невероятно хорошо поддерживаемой экосистемой, которая обеспечивает немедленный экспорт во множество форматов, включая ONNX, CoreML и TFLite. Такой баланс производительности гарантирует, что YOLOv5 надежно работает не только на выделенных серверах, но и на мобильных устройствах и периферийных вычислительных платформах, таких как Raspberry Pi.

Пример кода: эффективное обучение с Ultralytics#

Одно из главных преимуществ экосистемы Ultralytics — оптимизированный пользовательский опыт. Для обучения модели, ее оценки и экспорта требуется всего несколько строк 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 конкретных 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 задержка должна быть минимальной. Ее архитектура особенно эффективна в средах, где можно в полной мере использовать оптимизации TensorRT.
• Когда развертывать YOLOv5: идеальный выбор для быстрого прототипирования, кроссплатформенного развертывания и команд, которым нужен унифицированный конвейер. Разнообразные возможности экспорта делают модель оптимальной для розничной аналитики на периферийных устройствах, мониторинга сельскохозяйственных дронов и оценки позы в фитнес-приложениях.

Будущее обнаружения объектов: встречай YOLO26#

Хотя YOLOv5 и YOLOv6 представляют собой важные этапы развития, область компьютерного зрения быстро развивается. Разработчикам, начинающим новые проекты или стремящимся использовать абсолютный передовой уровень технологий, мы настоятельно рекомендуем перейти на Ultralytics YOLO26 (выпущена в январе 2026 года).

YOLO26 переосмысливает компьютерное зрение с приоритетом периферийных устройств благодаря революционной сквозной архитектуре без NMS. Устранение необходимости в постобработке Non-Maximum Suppression упрощает логику развертывания и значительно снижает вариативность задержки.

Ключевые инновации YOLO26 включают:

• Оптимизатор MuSGD: гибрид SGD и Muon, переносящий передовую стабильность обучения LLM в компьютерное зрение для более быстрой и надежной сходимости.
• Инференс на CPU до 43% быстрее: модель тщательно оптимизирована для сред без выделенных ускорителей.
• Удаление DFL: отказ от Distribution Focal Loss упрощает процесс экспорта и повышает совместимость с маломощными периферийными устройствами.
• ProgLoss + STAL: продвинутые функции потерь, значительно улучшающие распознавание небольших объектов, что особенно важно для аэрофотосъемки и IoT-сенсоров умных городов.

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

Заключение#

И YOLOv6-3.0, и YOLOv5 сыграли ключевую роль в развитии обнаружения объектов в реальном времени. YOLOv6-3.0 предлагает узкоспециализированную архитектуру для ускоренной GPU обработки с высокой пропускной способностью, тогда как YOLOv5 обеспечивает непревзойденный опыт разработчика благодаря обширной документации, простоте использования и возможностям работы с несколькими задачами.

Для современных приложений использование интегрированной экосистемы Ultralytics обеспечивает рабочий процесс, рассчитанный на будущее. Переходя на новейшие архитектуры, такие как YOLO26, ты гарантируешь, что твои конвейеры развертывания будут использовать последние достижения в скорости, точности и алгоритмической простоте.