YOLOv6-3.0 и YOLOv8#

Область компьютерного зрения стремительно развивается, а модели постоянно расширяют границы скорости и точности. Выбирая архитектуру для развертывания, разработчики часто сравнивают специализированные промышленные модели с универсальными мультитасковыми фреймворками. В этом техническом сравнении подробно анализируются YOLOv6-3.0 и YOLOv8: их архитектуры, показатели производительности и оптимальные среды развертывания.

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.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• Документация: Документация Ultralytics YOLOv6

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.

На этапе обучения YOLOv6 использует стратегию обучения с помощью якорей (AAT). Этот гибридный подход позволяет получить преимущества как якорных, так и безъякорных методов, сохраняя при этом безъякорный конвейер инференса. Хотя эта специализация очень эффективна при развертывании на специализированных устройствах с TensorRT, на граничных устройствах, работающих только на CPU, она может приводить к увеличению задержки.

Подробнее о YOLOv6

Ultralytics YOLOv8: универсальный стандарт для мультитасковых задач#

Выпущенная компанией Ultralytics, YOLOv8 знаменует переход от специализированных детекторов ограничивающих рамок к унифицированному мультитасковому фреймворку компьютерного зрения. Она обеспечивает исключительный баланс точности, скорости и удобства использования сразу после установки.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: ultralytics/ultralytics
• Платформа: YOLOv8 на платформе Ultralytics

Основные особенности архитектуры#

YOLOv8 изначально использует раздельную голову, которая отделяет задачи классификации от регрессии и значительно ускоряет сходимость. Безъякорная архитектура избавляет от необходимости вручную настраивать якорные рамки и обеспечивает надежное обобщение на разнообразных наборах данных компьютерного зрения.

В модель встроен усовершенствованный модуль C2f (узкое место с частичным прохождением стадий и двумя свертками), заменивший более ранние блоки C3. Это улучшает распространение градиента и представление признаков без увеличения вычислительных затрат. Важно, что YOLOv8 — не просто движок детекции: она изначально поддерживает задачи сегментации экземпляров, классификации изображений, оценки позы и ориентированных ограничивающих рамок (OBB) через единый API.

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.

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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Преимущества Ultralytics: экосистема и простота использования#

Хотя скорость инференса важна, жизненный цикл проекта машинного обучения включает управление данными, обучение, экспорт и мониторинг. Интегрированная платформа Ultralytics обеспечивает удобный путь «от нуля до результата», с которым сложно сравниться исследовательским репозиториям.

• 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 тщательно оптимизированы, чтобы минимизировать использование памяти CUDA во время обучения. Благодаря этому передовой ИИ доступен на обычном пользовательском оборудовании — в отличие от требовательных к памяти архитектур на основе Transformer, таких как RT-DETR.

Что дальше: переход на YOLO26#

Разработчикам, которым нужна максимальная производительность и современные возможности развертывания, мы рекомендуем Ultralytics YOLO26 (выпущена в январе 2026 года) как новый стандарт. Она развивает успехи YOLOv8 и предыдущего поколения YOLO11, предлагая революционные архитектурные улучшения:

• Сквозная архитектура без NMS: YOLO26 предлагает опциональную голову один-к-одному (nms=False), которая пропускает этап постобработки с подавлением немаксимумов (NMS) — концепцию, впервые представленную в YOLOv10. Это упрощает логику развертывания и уменьшает вариативность задержки.
• Оптимизатор MuSGD: вдохновленный инновациями в обучении больших языковых моделей, такими как Kimi K2 от Moonshot AI, новый оптимизатор MuSGD (гибрид SGD и Muon) стабилизирует обучение и ускоряет сходимость на разнообразных наборах данных.
• Отказ от DFL и ускорение на CPU: отказ от Distribution Focal Loss (DFL) упрощает граф экспорта YOLO26. Эта оптимизация обеспечивает ускорение инференса на CPU до 43%, что делает модель лучшим выбором для мобильных устройств и граничных вычислений IoT.
• ProgLoss + STAL: усовершенствованные функции потерь заметно повышают качество распознавания мелких объектов, что особенно важно для снимков с дронов и робототехники.

Простой пример обучения на Python#

Благодаря универсальности API Ultralytics для перехода с YOLOv8 на передовую YOLO26 достаточно изменить одну строку. В следующем полностью готовом к запуску фрагменте кода показано, как легко использовать эти модели:

from ultralytics import YOLO

# Initialize the state-of-the-art 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 подходящей архитектуры определяет долгосрочную поддерживаемость твоего конвейера. YOLOv6-3.0 — специализированный инструмент для промышленных конвейеров с мощными GPU-ускорителями. Однако Ultralytics YOLOv8 обеспечивает более удачный баланс универсальности для мультитасковых задач, меньшего количества параметров и непревзойденной экосистемы обучения.

Для новых проектов переход на YOLO26 через платформу Ultralytics позволит использовать самую быструю на сегодня архитектуру со встроенной сквозной обработкой и без NMS, а также подготовить стратегии развертывания ИИ к будущим требованиям.