YOLOv7 и YOLO11#
За последние несколько лет компьютерное зрение стремительно развивалось. Разработчикам и исследователям, выбирающим подходящий фреймворк для детекции объектов, важно понимать архитектурные и практические различия между моделями, определившими целые поколения. В этом руководстве подробно сравниваются академическое достижение YOLOv7 и тщательно доработанная, готовая к промышленному использованию Ultralytics YOLO11.
История моделей и архитектурные принципы#
YOLOv7, выпущенная 6 июля 2022 года авторами Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao из Института информатики Academia Sinica, представила несколько новых концепций. В своей научной статье о YOLOv7 на arXiv авторы подробно описали подход «обучаемого набора бесплатных улучшений» и Extended Efficient Layer Aggregation Networks (E-ELAN). Эти архитектурные решения были специально разработаны для максимальной эффективности путей градиента, что сделало модель мощным инструментом для академических тестов производительности на высокопроизводительных GPU.
YOLO11, разработанная Glenn Jocher и Jing Qiu в Ultralytics, была выпущена 27 сентября 2024 года. YOLO11 смещает акцент с чистого усложнения архитектуры на целостную экосистему, ориентированную на разработчиков. Размещённая в репозитории Ultralytics на GitHub, YOLO11 использует оптимизированную безъякорную архитектуру, которая значительно сокращает потребление памяти как при обучении, так и при инференсе. Модель изначально интегрирована в платформу Ultralytics, обеспечивая непревзойдённое удобство на всех этапах — от разметки датасета до развертывания на периферийных устройствах.
Самостоятельные репозитории часто перестают поддерживаться после публикации научной статьи, тогда как модели Ultralytics регулярно обновляются, что обеспечивает их долгосрочную совместимость с современными стеками машинного обучения, включая последние версии PyTorch и специализированные аппаратные ускорители.
Метрики производительности и эффективность#
При развертывании моделей в реальных приложениях необходимо учитывать не только точность, но и скорость инференса и вычислительные затраты. Ниже приведено прямое сравнение вариантов YOLOv7 и YOLO11, протестированных на стандартных бенчмарках датасета COCO.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
Примечание: Отсутствие данных о скорости YOLOv7 на CPU связано с тем, что в устаревших средах тестирования не использовались стандартизированные бенчмарки ONNX на CPU. Лучшие показатели в сопоставимых категориях выделены.
Анализ результатов#
Данные показывают явный прогресс в эффективности. Модель YOLO11l (Large) достигает более высокого показателя mAPval — 53,4% против 51,4% у YOLOv7l, — используя при этом значительно меньше параметров (25,3M против 36,9M) и гораздо меньше FLOPs (87,2B против 104,7B). Снижение вычислительной сложности позволяет YOLO11 быстрее работать в реализациях NVIDIA TensorRT и требует меньше VRAM, что делает модель гораздо более подходящей для устройств с ограниченными ресурсами.
Удобство использования и процессы обучения#
Одно из главных различий между двумя фреймворками — опыт разработчика.
Обучение YOLOv7#
Использование исходной кодовой базы YOLOv7 с открытым исходным кодом часто требует клонирования репозитория, ручного разрешения зависимостей и работы с многословными аргументами командной строки. Для управления разными задачами или экспорта в мобильные форматы нередко приходится изменять исходные скрипты или полагаться на сторонние форки.
Обучение YOLO11#
YOLO11 глубоко интегрирована в пакет ultralytics для Python, что упрощает весь жизненный цикл машинного обучения. Для обучения модели детекции объектов достаточно нескольких строк кода, а фреймворк самостоятельно обрабатывает загрузку данных, настройку гиперпараметров и кэширование.
from ultralytics import YOLO
# Загрузи предварительно обученную модель YOLO11 Nano для максимальной скорости
model = YOLO("yolo11n.pt")
# Обучи модель на примере набора данных COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Экспортируй обученную модель в формат ONNX для развёртывания
export_path = model.export(format="onnx")Кроме того, YOLO11 отличается высокой универсальностью. Достаточно изменить суффикс модели, чтобы мгновенно переключиться с детекции на сегментацию экземпляров, трекинг с оценкой позы или распознавание ориентированных ограничивающих рамок (OBB) — это уровень встроенной поддержки нескольких задач, которого нет у YOLOv7.
Для экспорта YOLO11 в форматы периферийных устройств, такие как Apple CoreML или фреймворки Intel OpenVINO, достаточно одной команды .export(), без сложной модификации вычислительного графа, которая часто требуется для моделей предыдущих поколений.
Оптимальные сценарии развёртывания#
Понимание сильных сторон каждой модели помогает определить оптимальные сценарии её применения.
- Воспроизведение старых бенчмарков: YOLOv7 по-прежнему полезна академическим исследователям, которым нужно воспроизвести определённые результаты 2022 года или изучить влияние методов перепараметризации на сети с якорями.
- Промышленные коммерческие среды: YOLO11 — очевидный выбор для корпоративных систем. Стабильность модели, активная поддержка и интеграция с облачным интерфейсом платформы Ultralytics делают её идеальной для масштабной аналитики розничной торговли, мониторинга безопасности и контроля качества на производстве.
- Периферийные вычисления с ограниченными ресурсами: чрезвычайно лёгкая версия YOLO11n специально разработана для маломощных периферийных устройств и эффективно работает на системе Raspberry Pi или модулях NVIDIA Jetson.
Взгляд в будущее: смена парадигмы с YOLO26#
Хотя YOLO11 — это тщательно доработанное современное решение, машинное обучение продолжает стремительно развиваться. Пользователям, которые сегодня начинают новые проекты в области компьютерного зрения, настоятельно рекомендуется изучить недавно выпущенную Ultralytics YOLO26.
Выпущенная в январе 2026 года YOLO26 предлагает несколько революционных функций, превосходящих YOLOv7 и YOLO11:
- Архитектура без NMS изначально: опциональная голова one-to-one в YOLO26 (
nms=False) устраняет необходимость постобработки Non-Maximum Suppression. Такая сквозная архитектура упрощает конвейеры развертывания и значительно снижает вариативность задержки. - Инференс на CPU до 43% быстрее: благодаря целенаправленному удалению модуля Distribution Focal Loss (DFL) YOLO26 отлично оптимизирована для периферийных устройств и сред без выделенных GPU.
- Интеграция оптимизатора MuSGD: этот гибридный оптимизатор, разработанный под влиянием передовых методов обучения LLM от Moonshot AI, обеспечивает беспрецедентную стабильность обучения и более быструю сходимость.
- Улучшенная детекция мелких объектов: функции потерь ProgLoss и STAL значительно повышают точность обнаружения мельчайших деталей — это особенно полезно для анализа аэрофотоснимков с дронов и сложных данных датчиков IoT.
Тем, кого интересуют архитектуры на основе Transformer или альтернативные подходы, документация Ultralytics также предлагает ознакомиться с моделями детектором Transformer RT-DETR и моделью с открытым словарём YOLO-World.