YOLOv6-3.0 и YOLOX#

На развитие компьютерного зрения существенно повлияли модели, призванные сократить разрыв между академическими исследованиями и промышленным применением. При оценке систем обнаружения объектов, рассчитанных на высокопроизводительное развертывание, YOLOv6-3.0 и YOLOX часто оказываются среди ведущих претендентов. Обе модели предлагают различные архитектурные подходы для максимизации пропускной способности и точности, но существенно различаются решениями при проектировании и основными целями развертывания.

В этом подробном техническом сравнении рассматриваются архитектуры, метрики производительности и оптимальные сценарии использования YOLOv6-3.0 и YOLOX, а также то, как модель нового поколения Ultralytics YOLO26 развивает и превосходит эти инновации.

YOLOv6-3.0: промышленная пропускная способность#

Разработанная подразделением Vision AI компании Meituan, YOLOv6-3.0 позиционируется как одноэтапная система обнаружения объектов, оптимизированная для промышленного применения. Главный приоритет модели — максимальная пропускная способность на архитектурах GPU.

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

Архитектура и методология#

В YOLOv6-3.0 представлен модуль двунаправленной конкатенации (BiC), улучшающий слияние признаков на разных масштабах. В основе модели лежит архитектура EfficientRep, тщательно оптимизированная для аппаратно-эффективного инференса на GPU. Благодаря этому модель особенно хорошо подходит для серверной обработки с использованием NVIDIA TensorRT.

Кроме того, YOLOv6-3.0 использует стратегию обучения с помощью якорей (AAT). Этот инновационный подход сочетает стабильность обучения на основе якорей с конвейером инференса без якорей, эффективно объединяя преимущества обоих подходов без увеличения задержки при развертывании.

Подробнее о YOLOv6

YOLOX: от исследований к промышленности#

Представленная компанией Megvii, YOLOX стала важным поворотным моментом для семейства YOLO: в ней полностью отказались от якорей и внедрили передовые стратегии обучения, такие как SimOTA.

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: 2107.08430
• GitHub: Megvii-BaseDetection/YOLOX

Архитектура и методология#

В YOLOX успешно реализован механизм без якорей в сочетании с разделенной головой. Разделение задач классификации и регрессии на отдельные ветви значительно ускорило сходимость YOLOX и помогло устранить конфликтующие цели, часто возникающие в объединенных головах обнаружения.

Кроме того, в конвейер обучения YOLOX изначально включены эффективные стратегии аугментации данных (например, MixUp и Mosaic), значительно повышающие устойчивость модели при обучении с нуля на стандартных бенчмарках, таких как датасет COCO.

Узнай больше о YOLOX

Сравнение производительности и метрик#

При прямом сравнении этих моделей становятся очевидны компромиссы между скоростью, количеством параметров и точностью. Ниже приведена подробная таблица производительности ключевых моделей обоих семейств.

YOLOX предлагает чрезвычайно компактные варианты, например Nano, а YOLOv6-3.0 лучше масштабируется в верхнем диапазоне, обеспечивая более высокий mAP у крупных моделей и отличное ускорение TensorRT. Однако обе модели опираются на устаревшие репозитории для обучения, интеграция которых в современные приложения может быть затруднительной.

Сценарии использования и рекомендации#

Выбор между YOLOv6 и YOLOX зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении 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 стоит выбрать YOLOX#

YOLOX подойдёт для следующих задач:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
• Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

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: знакомство с YOLO26#

В свое время YOLOv6 и YOLOX расширили возможности обнаружения объектов, но современные задачи компьютерного зрения требуют большего, чем просто предсказание ограничивающих рамок. Разработчикам нужны унифицированные фреймворки, простые конвейеры развертывания и эффективные механизмы обучения. Именно здесь особенно хорошо проявляет себя платформа Ultralytics, особенно с появлением YOLO26.

Выпущенная в январе 2026 года YOLO26 знаменует смену парадигмы. Она обеспечивает непревзойденную производительность и при этом поддерживает исключительно удобную для разработчиков экосистему.

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: развивая идеи, впервые реализованные в YOLOv10, YOLO26 предлагает встроенную голову без NMS (nms=False), устраняющую необходимость в постобработке методом подавления немаксимумов (NMS). Это значительно сокращает разброс задержки и упрощает развертывание на граничных устройствах.
• Оптимизатор MuSGD: YOLO26 заимствует инновации из методов стабилизации обучения LLM и использует гибридный оптимизатор MuSGD (вдохновленный Kimi K2 от Moonshot AI). Это обеспечивает чрезвычайно стабильную динамику обучения и более быструю сходимость по сравнению со старыми оптимизаторами.
• Инференс на CPU до 43% быстрее: в отличие от YOLOv6, которая плохо работает на оборудовании без GPU, YOLO26 тщательно оптимизирована для граничных устройств. Удаление DFL (Distribution Focal Loss) упрощает выходную голову, обеспечивая очень высокую скорость на мобильных устройствах и CPU.
• ProgLoss + STAL: усовершенствованные функции потерь значительно повышают качество обнаружения мелких объектов — задачи, с которой старые архитектуры, такие как YOLOX, часто справлялись плохо. Поэтому YOLO26 отлично подходит для аэрофотосъемки и датчиков IoT.
• Непревзойденная универсальность: в отличие от YOLOv6 и YOLOX, предназначенных только для обнаружения объектов, одна архитектура YOLO26 изначально поддерживает сегментацию экземпляров, оценку позы, классификацию изображений и ориентированные ограничивающие рамки (OBB).

Простота использования и поддержка экосистемы#

Выбирая Ultralytics, ты получаешь доступ к хорошо поддерживаемой и активно развиваемой экосистеме. Пакет Ultralytics для Python обеспечивает путь «от новичка до профессионала»: при обучении он требует гораздо меньше памяти, чем громоздкие модели на основе Transformer, а также легко экспортирует модели в такие форматы, как ONNX, OpenVINO и CoreML.

from ultralytics import YOLO

# Загрузи передовую nano-модель YOLO26 (голова без NMS доступна через nms=False)
model = YOLO("yolo26n.pt")

# Обучи модель на примере датасета COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Запусти эффективный инференс на CPU или GPU
results = model("https://ultralytics.com/images/bus.jpg")

# Экспортируй модель в TensorRT для промышленного развертывания
model.export(format="engine")

Заключение и рекомендации#

При выборе между YOLOv6-3.0 и YOLOX учитывай ограничения своего оборудования. Если ты создаешь системы видеоаналитики с высокой пропускной способностью на основе мощного оборудования NVIDIA, YOLOv6-3.0 обеспечит исключительное ускорение TensorRT. YOLOX же остается признанным решением для сред, где полезна полностью разделенная архитектура без якорей.

Однако для разработчиков, которым нужно оптимальное сочетание скорости, точности и простоты использования, переход на модель Ultralytics YOLO26 — очевидный выбор. Благодаря сквозной архитектуре без NMS, быстрому инференсу на CPU и широкой поддержке в экосистеме Ultralytics она легко превосходит устаревшие промышленные CNN. Пользователям, которым нужны проверенные временем стабильные производственные варианты, также доступна YOLO11, по-прежнему широко используемая в корпоративных приложениях.