YOLOv6-3.0 против YOLOv9#

Ландшафт обнаружения объектов в реальном времени продолжает развиваться, движимый спросом на более высокую точность, меньшую задержку и лучшее использование аппаратного обеспечения. Это подробное сравнение рассматривает две важные вехи в этой области: YOLOv6-3.0, разработанный для промышленной пропускной способности, и YOLOv9, который представил новые архитектуры для преодоления информационных узких мест глубокого обучения.

В то время как обе модели предлагают уникальные архитектурные инновации, разработчики, ищущие идеальный баланс производительности и простоты развертывания, часто переходят на современные экосистемы. Тем, кто начинает новые проекты, рекомендуется использовать в качестве стандарта нативно сквозной Ultralytics YOLO26, обеспечивающий передовую точность при значительно более удобном для разработчиков процессе.

YOLOv6-3.0: Оптимизация промышленной пропускной способности#

Разработанная департаментом Vision AI в Meituan, YOLOv6-3.0 была тщательно спроектирована для максимальной пропускной способности в промышленных приложениях, особенно на оборудовании GPU.

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

Архитектурные инновации#

YOLOv6-3.0 представила несколько ключевых модификаций для улучшения слияния признаков и эффективности оборудования. Архитектура включает модуль Bi-directional Concatenation (BiC) в своей шейной части, который обеспечивает более точные сигналы локализации. Она также использует стратегию Anchor-Aided Training (AAT). Этот подход сочетает в себе богатые подсказки обучения на основе анкоров со скоростью вывода парадигмы без анкоров, обеспечивая лучшую производительность без замедления развертывания.

Бэкбон основан на дизайне EfficientRep, тщательно оптимизированном для удобства аппаратного обеспечения при инференсе на GPU. Это делает модель высокоэффективной для сценариев промышленного производства, где нормой является тяжелая пакетная обработка.

Сильные и слабые стороны#

Главная сила YOLOv6-3.0 заключается в высокой частоте кадров на GPU вроде NVIDIA T4, что делает ее подходящей для потоков понимания видео высокой плотности. Однако сильная зависимость от конкретных аппаратных оптимизаций может приводить к неоптимальной задержке на периферийных устройствах только с CPU. Кроме того, настройка ее пайплайна обучения может быть сложной по сравнению с более унифицированными фреймворками.

Узнай больше о YOLOv6

YOLOv9: программируемая градиентная информация#

Выпущенная годом позже, YOLOv9 сосредоточена на решении проблемы информационного узкого места, присущей глубоким нейронным сетям, и раздвигает теоретические пределы архитектур CNN.

• Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
• Организация: Institute of Information Science, Academia Sinica
• Дата: 21 февраля 2024 г.
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

Архитектурные инновации#

Главный вклад YOLOv9 — это Programmable Gradient Information (PGI), который гарантирует, что важные данные сохраняются при прохождении через множество слоев сети, позволяя проводить более надежные обновления весов. Наряду с PGI, модель оснащена Generalized Efficient Layer Aggregation Network (GELAN). GELAN максимизирует эффективность параметров, позволяя YOLOv9 достигать превосходной точности при меньшем количестве вычислительных FLOP, чем у многих предшественников.

Сильные и слабые стороны#

YOLOv9 достигает выдающейся средней точности в распознавании (mAP) на бенчмарк-датасетах вроде COCO, что делает ее фаворитом для исследователей, ставящих на первое место чистую точность. Однако, как и YOLOv6, она по-прежнему полагается на традиционное подавление немаксимумов (NMS) для постобработки. Это увеличивает задержку и усложняет пайплайн развертывания модели, особенно при переносе на периферийные устройства с использованием таких форматов, как ONNX или TensorRT.

Узнай больше о YOLOv9

Сравнение производительности#

При сравнении этих моделей важно обратить внимание на баланс точности, количества параметров и скорости вывода.

Преимущество Ultralytics: представляем YOLO26#

В то время как YOLOv6-3.0 и YOLOv9 предоставляют надежные архитектуры, производственные среды требуют хорошо поддерживаемой экосистемы, низких требований к памяти и исключительной простоты использования. Именно здесь преуспевают Ultralytics Platform и такие модели, как YOLO11 и передовая YOLO26.

Выпущенная в начале 2026 года, YOLO26 фундаментально переопределяет эффективность развертывания, устраняя устаревшие узкие места.

Ключевые инновации YOLO26#

1. Оптимизатор MuSGD: Вдохновленная обучением LLM (например, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает непревзойденную стабильность обучения и более быструю сходимость для задач компьютерного зрения.
2. Инференс на CPU быстрее до 43%: В отличие от сильного упора YOLOv6 на GPU, YOLO26 глубоко оптимизирована для периферийных устройств. Удаление функции потерь Distribution Focal Loss (DFL) упрощает голову, делая ее совместимую с маломощными CPU и оборудованием для периферийных вычислений.
3. ProgLoss + STAL: Передовые функции потерь радикально улучшают обнаружение мелких объектов, что критически важно для аэросъемки и робототехники.
4. Непревзойденная универсальность: В то время как YOLOv6 является исключительно движком детектирования, YOLO26 плавно справляется с сегментацией экземпляров, классификацией, оценкой позы и детектированием с ориентированными ограничивающими рамками (OBB).

Узнай больше о YOLO26

Бесшовное обучение с Ultralytics#

Обучение современных моделей не должно требовать сложных bash-скриптов. Python API от Ultralytics обеспечивает удобную работу с автоматической загрузкой данных, минимальным использованием памяти CUDA и встроенным трекингом.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on the COCO8 dataset using the robust MuSGD optimizer natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX with a single command
model.export(format="onnx")

Идеальные варианты использования#

Выбор правильной архитектуры полностью зависит от вашей целевой среды развертывания:

• Используй YOLOv6-3.0 для: автоматизации заводов и обнаружения дефектов, где в изобилии серверные GPU (например, A100) и где пакетная обработка максимизирует пропускную способность.
• Используй YOLOv9 для: академических исследований или соревнований, где основной целью является достижение максимально возможного mAP на стандартизированных наборах данных, таких как COCO.
• Используй YOLO26 для: Практически всех современных коммерческих приложений. Архитектура без NMS, низкое потребление памяти и высокоскоростной инференс на CPU делают ее идеальной для охранных систем сигнализации, умного ритейла и трекинга объектов в реальном времени на встраиваемых устройствах.

Используя комплексную экосистему Ultralytics, разработчики могут легко экспериментировать с YOLOv8, YOLO11 и YOLO26, чтобы найти идеальный баланс производительности для своих конкретных задач в реальном мире.