YOLOv6.0 против YOLOv7: технический анализ детекторов объектов в реальном времени

Выбор подходящей модели обнаружения объектов для приложений компьютерного зрения часто сопряжен с необходимостью ориентироваться в сложной системе скорости, точности и архитектурных нюансов. Двумя важными вехами в этой эволюции являются YOLOv6.YOLOv6 и YOLOv7, которые при своем выпуске расширили границы возможного в области вывода в реальном времени. В этом всестороннем сравнении рассматриваются архитектурные различия, показатели производительности и идеальные сценарии развертывания, чтобы помочь разработчикам принять обоснованные решения.

Краткий обзор производительности

В следующей таблице приведены показатели производительности сопоставимых вариантов обеих моделей. Ключевые значения указывают, в каких конкретных конфигурациях одна модель может иметь преимущество перед другой.

YOLOv6.0: эффективность промышленного уровня

YOLOv6.YOLOv6, часто называемыйYOLOv6 .0», представляет собой значительную итерацию в YOLOv6 , разработанной Meituan. Выпущенная в январе 2023 года, эта версия была в значительной степени сосредоточена на «перезагрузке» архитектуры, чтобы лучше обслуживать промышленные приложения, в которых GPU имеет решающее значение.

Подробности о YOLOv6-3.0:

• 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:YOLOv6 v3.0: A Full-Scale Reloading
• GitHub:Репозиторий Meituan YOLOv6

Узнайте больше о YOLOv6

Архитектурные инновации

YOLOv6.YOLOv6 представляет несколько ключевых усовершенствований, предназначенных для максимального повышения эффективности аппаратных ускорителей, таких как графические процессоры NVIDIA :

1. Двунаправленное соединение (BiC): этот модуль улучшает объединение функций, облегчая обмен информацией между различными уровнями сети, что повышает эффективность обнаружения объектов на разных расстояниях.
2. Обучение с помощью якорей (AAT): хотя вывод модели остается без якорей, YOLOv6. YOLOv6 использует вспомогательную ветвь на основе якорей во время обучения. Эта гибридная стратегия стабилизирует сходимость и повышает конечную точность, не влияя на скорость вывода.
3. Репараметризация: интенсивно используя блоки типа RepVGG, модель упрощает сложные многоветвистые структуры до однопутевых сверток во время вывода. Это приводит к значительному увеличению скорости на GPU .

Идеальные варианты использования

Благодаря специфическим оптимизациям YOLOv6.0 превосходит другие системы по следующим параметрам:

• Контроль качества производства: высокоскоростное обнаружение дефектов на сборочных линиях, где пропускная способность (FPS) является основным ограничивающим фактором.
• Логистика и сортировка: быстрая идентификация посылок в крупных распределительных центрах с использованием автоматизированных конвейеров машинного обучения.
• Видеоаналитика: одновременная обработка нескольких видеопотоков на серверных графических процессорах для обеспечения безопасности или анализа данных в сфере розничной торговли.

YOLOv7: Мощность "Bag-of-Freebies"

YOLOv7 был выпущен в июле 2022 года и быстро зарекомендовал себя как передовой детектор. Авторы сосредоточились на архитектурных реформах, которые повышают эффективность обучения и точность вывода без значительного увеличения количества параметров, назвав эти методы «обучаемым набором бесплатных функций».

Детали YOLOv7:

• Авторы: Чен-Яо Ванг, Алексей Бочковский и Хонг-Юань Марк Ляо
• Организация: Institute of Information Science, Academia Sinica, Taiwan
• Дата: 2022-07-06
• Arxiv:YOLOv7: Trainable bag-of-freebies sets new state-of-the-art
• GitHub:WongKinYiu YOLOv7

Узнайте больше о YOLOv7

Архитектурные инновации

YOLOv7 концепции, которые усовершенствовали способы обучения нейронных сетей и распространения информации о градиентах:

1. E-ELAN (Extended Efficient Layer Aggregation Network): эта структура контролирует самые короткие и самые длинные пути градиента, позволяя сети обучаться более разнообразным особенностям без проблемы исчезновения градиента, часто встречающейся в глубоких сетях.
2. Масштабирование модели: YOLOv7 метод комбинированного масштабирования, который одновременно изменяет глубину и ширину для моделей на основе конкатенации, обеспечивая оптимальную архитектуру для моделей разных размеров (от Tiny до E6E).
3. Плановая перепараметризация: аналогично YOLOv6, использует перепараметризацию, но применяет строго запланированные стратегии для определения модулей, которые следует упростить, уравновешивая остаточные связи с простыми свертками.

Идеальные варианты использования

YOLOv7 особенно хорошо подходит для:

• Детальное извлечение признаков: сценарии, такие как автономные транспортные средства, где распознавание мелких деталей на небольших объектах (например, удаленных светофорах) имеет решающее значение.
• Edge AI на устройствах с низким энергопотреблением: вариант YOLOv7 очень эффективен для мобильных устройств, обеспечивая оптимальный баланс между точностью и скоростью на ограниченном аппаратном обеспечении.
• Исследовательские базовые показатели: благодаря прозрачной архитектуре и обширным исследованиям абляции эта платформа является фаворитом для академических исследований в области поиска нейронных архитектур.

Критическое сравнение: сильные и слабые стороны

При выборе между YOLOv6. YOLOv6 и YOLOv7 решение часто зависит от конкретной цели развертывания оборудования и характера визуальной задачи.

Компромисс между скоростью и точностью

YOLOv6.YOLOv6 обычно достигает более высокой пропускной способности на специализированных графических процессорах (таких как NVIDIA ) благодаря агрессивной перепараметризации и дизайну, TensorRT. Например, модель YOLOv6.YOLOv6 достигает 52,8% mAP очень низкой задержкой. И наоборот, YOLOv7 сосредоточена на эффективности параметров. Модель YOLOv7 обеспечивает немного более высокую точность (53,1% mAP), но с большим количеством параметров и более высокой вычислительной сложностью (FLOP), что может повлиять на задержку на периферийных устройствах.

Методология обучения

«Обучение с помощью якорей» YOLOv6 — это уникальная функция, которая стабилизирует обучение, но усложняет код конвейера обучения. Чистый подход «bag-of-freebies» YOLOv7 сохраняет цикл обучения в некоторой степени стандартным, но опирается на сложные архитектурные определения, такие как E-ELAN. Разработчики, занимающиеся настраиваемым обучением, могут счесть вспомогательные головки YOLOv6 для скорости сходимости.

Преимущество Ultralytics

Хотя YOLOv6 YOLOv7 отличными моделями, их использование в Ultralytics дает явные преимущества, которые оптимизируют весь жизненный цикл машинного обучения.

• Единый API:Python Ultralytics Python упрощает работу с различными архитектурами. Вы можете переключаться между YOLOv6, YOLOv7 и более новыми моделями, такими как YOLO26, изменив одну строку в коде.
• Хорошо поддерживаемая экосистема: в отличие от исследовательских репозиториев, которые часто перестают обновляться, Ultralytics совместимость с последними версиями PyTorch, CUDA и Python.
• Универсальность: Ultralytics широкий спектр задач, выходящих за рамки простого обнаружения, включая сегментацию экземпляров, оценку позы и обнаружение ориентированных объектов (OBB).
• Эффективность использования памяти: Ultralytics оптимизированы для снижения использования VRAM во время обучения, что позволяет обучать мощные модели на графических процессорах потребительского класса, в отличие от исходных кодовых баз, которые часто требуют большого объема памяти.

Переход к передовым технологиям: YOLO26

Для разработчиков, стремящихся к максимальной производительности и простоте использования, недавно выпущенная версия YOLO26 основана на наследии предыдущих версий YOLO и отличается значительными архитектурными усовершенствованиями.

Выпущенная в январе 2026 года, YOLO26 разработана как окончательная модель «edge-first». Она отличается встроенной конструкцией End-to-End NMS Design, которая устраняет необходимость в постобработке Non-Maximum Suppression. Это позволяет значительно ускорить CPU — до 43 % по сравнению с предыдущими поколениями — и упрощает процессы развертывания за счет удаления чувствительных гиперпараметров.

Узнайте больше о YOLO26

Кроме того, YOLO26 использует оптимизатор MuSGD, гибридный алгоритм, вдохновленный методами обучения LLM, который обеспечивает стабильность и быструю конвергенцию. Благодаря удалению DFL модель легче экспортировать в такие форматы, как ONNX или TensorRT для широкой совместимости с устройствами.

Пример кода

Запуск этих моделей с помощью Ultralytics сложности. В следующем примере показано, как загрузить предварительно обученную модель и выполнить инференцию по изображению:

from ultralytics import YOLO

# Load a YOLOv6, YOLOv7, or the recommended YOLO26 model
model = YOLO("yolov6n.yaml")  # or "yolov7.pt" or "yolo26n.pt"

# Train the model on the COCO8 example dataset
# The system automatically handles data downloading and preparation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

Заключение

Как YOLOv6.0, так и YOLOv7 сыграли ключевую роль в развитии технологии обнаружения объектов в реальном времени. YOLOv6. YOLOv6 оптимизировал архитектуру для GPU , что сделало его сильным конкурентом для промышленных приложений. YOLOv7 границы агрегации характеристик и градиентного потока, предлагая надежную производительность для сложных сцен.

Однако эта область развивается очень быстро. Используя Ultralytics , разработчики могут получить доступ к этим моделям наряду с передовой YOLO26, что гарантирует им всегда иметь лучший инструмент для работы. Независимо от того, что вы считаете более важным — сырую GPU YOLOv6 архитектурную изобретательность YOLOv7, Ultralytics объединяет их в единый мощный рабочий процесс.

Для более подробного изучения связанных моделей рекомендуем ознакомиться с документацией по YOLOv8, YOLOv9и YOLO11.

Комментарии