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.
- 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.
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.
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.
- 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#
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
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.
Комментарии1
Задай вопрос, поделись результатами или помоги кому-нибудь.
wootingdoublemovement(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.