Начать

YOLOv7 и YOLO11

За последние несколько лет компьютерное зрение быстро развивалось. Разработчикам и исследователям, выбирающим платформу для обнаружения объектов, важно понимать архитектурные и практические различия между поколениями моделей. В этом руководстве подробно сравниваются академическая модель YOLOv7 и готовая к производственному 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.

Узнай больше о YOLOv7

YOLO11, разработанная Glenn Jocher и Jing Qiu из Ultralytics, выпущена 27 сентября 2024 года. YOLO11 переносит акцент с одной лишь архитектурной сложности на целостную экосистему, ориентированную на разработчиков. Размещённая в репозитории Ultralytics на GitHub, YOLO11 использует оптимизированную безанкерную архитектуру, которая снижает потребление памяти и при обучении, и при инференсе. Модель изначально интегрирована в Ultralytics Platform, охватывающую весь рабочий процесс — от разметки датасетов до развёртывания на периферийных устройствах.

Преимущества экосистемы

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.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

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 явное развитие эффективности. Модель YOLO11l (Large) достигает более высокого показателя mAPval50-95 — 53,4% против 51,4% у YOLOv7l, — используя значительно меньше параметров (25,3 млн против 36,9 млн) и выполняя меньше операций с плавающей запятой (87,2 млрд против 104,7 млрд). Снижение вычислительной сложности позволяет YOLO11 быстрее работать в реализациях NVIDIA TensorRT и требует меньше видеопамяти, что делает модель гораздо более подходящей для систем 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 тесно интегрирована в пакет Python ultralytics, что упрощает жизненный цикл машинного обучения. Для обучения модели обнаружения объектов достаточно нескольких строк кода, а платформа сама загружает, аугментирует и кэширует датасеты.

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")

YOLO11 также универсальна. Изменив суффикс модели, разработчики могут перейти от обнаружения объектов к сегментации экземпляров, классификации изображений, оценке позы или обнаружению объектов с ориентированными ограничивающими рамками (OBB) — нативной поддержке нескольких задач, которой нет в YOLOv7.

Упрощённый экспорт

Для экспорта YOLO11 в форматы для периферийных устройств, такие как Apple CoreML или Intel OpenVINO, достаточно одной команды .export(). Это позволяет избежать сложной хирургической обработки вычислительного графа, которая часто требуется для моделей предыдущих поколений.

Оптимальные сценарии развёртывания#

Понимание сильных сторон каждой модели помогает определить оптимальные сценарии её применения.

  • Воспроизведение устаревших результатов: YOLOv7 остаётся полезной для академических исследователей, которым нужно воспроизвести конкретные результаты 2022 года или изучить влияние методов репараметризации на сети с якорями.
  • Коммерческие производственные среды: YOLO11 — отличный выбор для корпоративных систем. Стабильность модели, активная поддержка и интеграция с облачной Ultralytics Platform делают её подходящей для крупномасштабной аналитики в розничной торговле, мониторинга безопасности и контроля качества производства.
  • Периферийные вычисления с ограниченными ресурсами: лёгкая версия YOLO11n создана для маломощных периферийных устройств и эффективно работает на Raspberry Pi или модулях NVIDIA Jetson.

Перспективы: YOLO26#

YOLO11 остаётся зрелой моделью с хорошей поддержкой, но область продолжает развиваться. Для новых проектов в области компьютерного зрения рекомендуется Ultralytics YOLO26.

Выпущенная в январе 2026 года YOLO26 предлагает несколько улучшений по сравнению с YOLOv7 и YOLO11:

  • Архитектура с опциональным отключением NMS: дополнительная голова YOLO26 один-к-одному (nms=False) устраняет необходимость в постобработке Non-Maximum Suppression. Такая сквозная архитектура упрощает конвейеры развёртывания и снижает вариативность задержки.
  • До 43% более высокая скорость инференса на CPU: благодаря удалению модуля Distribution Focal Loss (DFL) YOLO26 оптимизирована для периферийных устройств и сред без выделенных GPU; YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Интеграция оптимизатора MuSGD: этот гибридный оптимизатор, вдохновлённый передовыми методами обучения LLM от Moonshot AI, повышает стабильность обучения и ускоряет сходимость.
  • Улучшенное обнаружение мелких объектов: Progressive Loss (ProgLoss) и назначение меток с учётом малых объектов (STAL) повышают точность обнаружения мелких объектов, что полезно при анализе 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.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.