Начать

YOLOv6-3.0 и YOLOv8

Модели компьютерного зрения продолжают становиться быстрее и точнее. Выбирая архитектуру для развёртывания, разработчики часто сравнивают специализированные промышленные модели с универсальными многозадачными платформами. В этом техническом сравнении подробно анализируются YOLOv6-3.0 и YOLOv8: их архитектуры, метрики производительности и оптимальные среды развёртывания.

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

Разработанная отделом Vision AI компании Meituan, YOLOv6-3.0 создана специально как высокопроизводительный детектор объектов для промышленных задач. Она тщательно оптимизирована для специализированных аппаратных ускорителей и ориентирована на максимальную скорость в серверных средах.

Особенности архитектуры#

YOLOv6-3.0 использует backbone EfficientRep — архитектуру, оптимизированную для аппаратного обеспечения и разработанную для максимальной эффективности обработки на современных графических процессорах NVIDIA. В neck используется модуль двунаправленной конкатенации (BiC), улучшающий объединение признаков разных масштабов.

Во время обучения в YOLOv6 используется стратегия обучения с помощью якорей (AAT). Такой гибридный подход сочетает преимущества якорных и безъякорных методов, сохраняя при этом конвейер инференса без якорей. Хотя это особенно эффективно для развёртывания с использованием TensorRT, такая специализация может увеличить задержку на периферийных устройствах, работающих только на CPU.

Подробнее о YOLOv6

Ultralytics YOLOv8: универсальный стандарт для мультитасковых задач#

Выпущенная Ultralytics, YOLOv8 перешла от специализированных детекторов ограничивающих рамок к унифицированной многозадачной платформе компьютерного зрения. Сразу после установки она обеспечивает хороший баланс точности, скорости и удобства использования.

Основные особенности архитектуры#

В YOLOv8 изначально используется разделённая голова обнаружения, которая разделяет задачи классификации и регрессии, улучшая сходимость. Безъякорная архитектура избавляет от необходимости вручную настраивать якорные рамки и помогает модели обобщать данные из самых разных наборов данных для компьютерного зрения.

Модель использует модуль C2f (узкое место частичной обработки слоёв с двумя свёртками), который заменил устаревшие блоки C3. Это улучшает распространение градиента и представление признаков без увеличения вычислительной нагрузки. Важно, что YOLOv8 — не просто движок обнаружения объектов: через единый API она изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и задачи обнаружения ориентированных ограничивающих рамок (OBB).

Сравнение производительности#

Оценка моделей на стандартном для отрасли наборе данных COCO позволяет наглядно сравнить их возможности. В таблице ниже приведены основные метрики; лучшие значения в каждом столбце выделены полужирным.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
Баланс производительности и аппаратное обеспечение

Хотя YOLOv6-3.0 обеспечивает немного более высокую пропускную способность TensorRT на GPU, например T4, YOLOv8 требует значительно меньше параметров и в большинстве случаев меньше FLOPs при сопоставимой точности. Это снижает требования к памяти, что крайне важно для эффективности обучения и развёртывания на устройствах периферийного ИИ с ограниченными ресурсами.

Сценарии использования и рекомендации#

Выбор между YOLOv6 и YOLOv8 зависит от требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.

Когда стоит выбрать YOLOv6#

YOLOv6 — хороший выбор для:

  • Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн и эффективная репараметризация модели обеспечивают оптимальную производительность на конкретном целевом оборудовании.
  • Быстрая одноэтапная детекция: приложения, где приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых условиях.
  • Интеграция с экосистемой Meituan: команды, уже работающие с технологическим стеком и инфраструктурой развертывания Meituan.

Когда выбрать YOLOv8#

YOLOv8 подойдет для:

  • Универсальное решение для нескольких задач: проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Преимущества Ultralytics: экосистема и простота использования#

Скорость инференса важна, но жизненный цикл проекта машинного обучения включает управление данными, обучение, экспорт и мониторинг. Интегрированная платформа Ultralytics охватывает весь этот цикл в одном месте, чего обычно не предлагают исследовательские репозитории.

  • Поддерживаемая экосистема: Ultralytics регулярно выпускает обновления, обеспечивая совместимость с последними версиями PyTorch и драйверами оборудования.
  • Простота использования: единый API Python позволяет разработчикам обучать модели и экспортировать их в такие форматы, как ONNX и OpenVINO, одной строкой кода.
  • Низкие требования к памяти: модели Ultralytics спроектированы так, чтобы во время обучения расходовать минимум памяти CUDA, благодаря чему передовые решения в области ИИ доступны на потребительском оборудовании, в отличие от более требовательных к памяти архитектур Transformer, таких как RT-DETR.

Перспективы: переход на YOLO26#

Для разработчиков, которым нужны лучшие на сегодня показатели и современные возможности развертывания, рекомендуем Ultralytics YOLO26 (выпущена в январе 2026 года). Модель развивает идеи YOLOv8 и предыдущего поколения YOLO11 и включает несколько архитектурных улучшений:

  • Сквозная архитектура без NMS: YOLO26 предлагает дополнительную голову one-to-one (nms=False), пропускающую постобработку с подавлением немаксимумов (NMS) — концепцией, впервые внедрённой в модели YOLO с выходом YOLOv10. Это упрощает логику развёртывания и снижает колебания задержки.
  • Оптимизатор MuSGD: новый оптимизатор MuSGD, созданный под влиянием инноваций в обучении больших языковых моделей (LLM), таких как Kimi K2 от Moonshot AI, представляет собой гибрид SGD и Muon. Он стабилизирует обучение и ускоряет сходимость на самых разных наборах данных.
  • Отказ от DFL и скорость на CPU: отказ от функции потерь распределенного фокуса (DFL) упрощает граф экспорта YOLO26. В сочетании с другими оптимизациями это обеспечивает YOLO26n до 43% более быстрый инференс на CPU, чем YOLO11n, поэтому YOLO26 отлично подходит для развертывания на мобильных и периферийных устройствах IoT.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов улучшают распознавание небольших объектов, что особенно важно для аэрофотоснимков с дронов и робототехники.

Пример обучения на Python#

Благодаря универсальности API Ultralytics для перехода с YOLOv8 на YOLO26 достаточно изменить одну строку. Следующий исполняемый фрагмент кода демонстрирует этот процесс:

from ultralytics import YOLO

# Initialize the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset efficiently
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="cpu",  # Easily switch to '0' for GPU training
)

# Run an inference on a test image
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")
print(f"Model exported successfully to: {export_path}")

Заключение#

Выбор архитектуры определяет долгосрочную удобность сопровождения твоего конвейера. YOLOv6-3.0 — специализированный инструмент для промышленных конвейеров с мощными GPU-ускорителями. Однако Ultralytics YOLOv8 лучше сочетает поддержку множества задач с меньшим количеством параметров и опирается на зрелую экосистему обучения.

Для новых развертываний в производственной среде переход на YOLO26 через платформу Ultralytics обеспечит более быстрый инференс на CPU и необязательную сквозную голову без NMS.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. wootingdoublemovementGitHub(изменено)

    Excellent deep-dive! YOLOv6-3.0 impresses with its industrial-level optimization, especially for high-performance inference in production setups. That said, this YOLOv8 comparison brings out how v8’s modular architecture, task adaptability, and ease of training make it a more versatile choice for researchers and developers alike. It’s interesting to see how both models serve distinct but equally valuable roles depending on real-world requirements.