YOLOv7 против YOLO11#
За последние несколько лет область компьютерного зрения стремительно развивалась. Разработчикам и исследователям, выбирающим подходящую платформу для обнаружения объектов, важно понимать архитектурные и практические различия между моделями, определившими целое поколение. В этом руководстве приведено подробное техническое сравнение академического прорыва YOLOv7 и тщательно доработанной, готовой к промышленной эксплуатации Ultralytics YOLO11.
Происхождение моделей и архитектурные принципы#
YOLOv7, выпущенная 6 июля 2022 года авторами Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao из Института информационных наук Academia Sinica, представила несколько новых концепций в этой области. В своей исследовательской статье о YOLOv7, опубликованной на arXiv, авторы уделяют большое внимание подходу «обучаемый набор бесплатных приёмов» и сетям расширенной эффективной агрегации слоёв (E-ELAN). Эти архитектурные решения были специально разработаны для максимальной эффективности путей распространения градиента, что делает модель мощным инструментом для академического тестирования на производительных GPU.
YOLO11, разработанная Glenn Jocher и Jing Qiu в Ultralytics, была выпущена 27 сентября 2024 года. YOLO11 смещает фокус с чистой архитектурной сложности на целостную экосистему, ориентированную прежде всего на разработчиков. Размещённая в репозитории Ultralytics на GitHub, YOLO11 использует оптимизированную безъякорную архитектуру, которая значительно снижает потребление памяти как при обучении, так и при инференсе. Модель изначально интегрирована в Ultralytics Platform, обеспечивая непревзойдённое удобство — от разметки датасета до развёртывания на периферийных устройствах.
Хотя автономные репозитории часто забрасывают после публикации научной статьи, модели Ultralytics получают постоянные обновления, обеспечивающие долгосрочную совместимость с современными стеками машинного обучения, включая последние релизы PyTorch и специализированные аппаратные ускорители.
Метрики производительности и эффективность#
При развёртывании моделей в реальных приложениях необходимо находить баланс между точностью, скоростью инференса и вычислительными затратами. 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 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
Примечание: отсутствие показателей скорости на CPU для YOLOv7 связано с устаревшими средами тестирования, в которых не были стандартизированы бенчмарки CPU в ONNX. Лучшие значения в сопоставимых категориях выделены.
Анализ результатов#
Данные наглядно демонстрируют повышение 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 (86,9B против 104,7B). Снижение вычислительной сложности позволяет YOLO11 работать быстрее в реализациях NVIDIA TensorRT и требует меньше VRAM, что делает модель гораздо более подходящей для сред с ограниченными аппаратными ресурсами.
Удобство использования и процессы обучения#
Главное различие между двумя платформами заключается в удобстве работы разработчика.
Обучение YOLOv7#
Использование оригинальной кодовой базы YOLOv7 с открытым исходным кодом часто требует клонирования репозитория, ручного разрешения зависимостей и работы с громоздкими аргументами командной строки. Управление разными задачами или экспорт в мобильные форматы нередко требует изменения исходных скриптов или использования сторонних форков.
Обучение YOLO11#
YOLO11 тесно интегрирована в Python-пакет ultralytics, что упрощает весь жизненный цикл машинного обучения. Для обучения модели обнаружения объектов достаточно нескольких строк кода, а платформа изначально поддерживает загрузку данных, настройку гиперпараметров и кэширование.
from ultralytics import YOLO
# Load a pretrained YOLO11 Nano model for maximum speed
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Export the trained model to ONNX format for deployment
export_path = model.export(format="onnx")Кроме того, YOLO11 отличается исключительной универсальностью. Простое изменение суффикса модели позволяет разработчикам мгновенно перейти от обнаружения к сегментации экземпляров, отслеживанию оценки позы или распознаванию ориентированных ограничивающих прямоугольников (OBB) — такого уровня встроенной поддержки нескольких задач у YOLOv7 нет.
Для экспорта YOLO11 в периферийные форматы, такие как Apple CoreML или платформы Intel OpenVINO, достаточно одной команды .export(), что позволяет избежать сложной хирургии графа, часто необходимой для моделей предыдущих поколений.
Оптимальные сценарии развертывания#
Понимание сильных сторон каждой модели помогает определить наиболее подходящие варианты её применения.
- Воспроизведение устаревших бенчмарков: YOLOv7 по-прежнему полезна академическим исследователям, которым необходимо воспроизвести конкретные бенчмарки 2022 года или изучить влияние методов репараметризации на безъякорные сети.
- Промышленные производственные среды: YOLO11 — очевидный выбор для корпоративных систем. Её стабильность, активная поддержка и интеграция с облачным интерфейсом Ultralytics Platform делают её идеальной для управления крупномасштабной аналитикой розничной торговли, мониторингом безопасности и контролем качества на производстве.
- Периферийные вычисления с ограниченными ресурсами: невероятно лёгкий вариант YOLO11n специально разработан для периферийных устройств с низким энергопотреблением и эффективно работает на системе Raspberry Pi или модулях NVIDIA Jetson.
Взгляд в будущее: смена парадигмы с YOLO26#
Хотя YOLO11 представляет собой тщательно доработанное передовое решение, область машинного обучения неустанно развивается. Пользователям, которые сегодня начинают новые проекты в области компьютерного зрения, настоятельно рекомендуется обратить внимание на недавно выпущенную Ultralytics YOLO26.
Выпущенная в январе 2026 года, YOLO26 представляет несколько революционных функций, превосходящих и YOLOv7, и YOLO11:
- Архитектура без NMS изначально: YOLO26 устраняет необходимость в постобработке с подавлением немаксимумов. Такая сквозная архитектура упрощает процессы развёртывания и значительно снижает вариативность задержки.
- До 43% более быстрый инференс на CPU: благодаря целенаправленному удалению модуля Distribution Focal Loss (DFL) YOLO26 специально оптимизирована для периферийных устройств и сред без выделенных GPU.
- Интеграция оптимизатора MuSGD: этот гибридный оптимизатор, вдохновлённый передовыми методами обучения LLM от Moonshot AI, обеспечивает беспрецедентную стабильность обучения и более быструю сходимость.
- Улучшенное обнаружение малых объектов: функции потерь ProgLoss и STAL обеспечивают значительный прирост точности при идентификации мельчайших деталей, что идеально подходит для анализа аэрофотоснимков с дронов и сложных данных от датчиков IoT.
Для пользователей, которых интересуют архитектуры на основе Transformer или альтернативные парадигмы, документация Ultralytics также охватывает такие модели, как детектор Transformer RT-DETR и модель YOLO-World с открытым словарём.