YOLOv7 и YOLOv6-3.0#

Область компьютерного зрения постоянно развивается: новые модели обнаружения объектов непрерывно расширяют границы скорости и точности. Двумя значимыми этапами этого развития стали YOLOv7 и YOLOv6-3.0. Обе модели представили уникальные архитектурные инновации, разработанные для максимальной пропускной способности и точности в реальных приложениях. На этой странице приведён подробный технический анализ обеих архитектур, включая сравнение их производительности, методик обучения и оптимальных вариантов применения, чтобы ты мог принять обоснованное решение для своего следующего проекта в области искусственного интеллекта.

YOLOv7: пионер «бесплатных улучшений»#

Выпущенная в середине 2022 года, YOLOv7 представила несколько инновационных стратегий оптимизации архитектуры сети без увеличения затрат на инференс. Основное внимание уделялось обучаемым «бесплатным преимуществам» для повышения точности при сохранении производительности в реальном времени.

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информационных наук, Academia Sinica, Тайвань
• Дата: 2022-07-06
• Arxiv: 2207.02696
• GitHub: WongKinYiu/yolov7
• Документация: Документация Ultralytics YOLOv7

Основные особенности архитектуры#

YOLOv7 характеризуется своей расширенной сетью агрегации признаков (Extended Efficient Layer Aggregation Network, E-ELAN). Эта архитектура позволяет модели изучать более разнообразные признаки, управляя самыми короткими и самыми длинными путями градиентов. Кроме того, YOLOv7 использует методы структурной репараметризации при инференсе для объединения сверточных слоев, эффективно сокращая количество параметров и время вычислений без ущерба для изученных представлений.

Модель также использует уникальную стратегию обучения со вспомогательной головой. Применяя «основную голову» для получения финальных предсказаний и «вспомогательную голову» для управления обучением промежуточных слоёв, YOLOv7 обеспечивает лучшую сходимость и более глубокое извлечение признаков, что особенно полезно при решении сложных задач обнаружения объектов.

Узнай больше о YOLOv7

YOLOv6-3.0: производительность промышленного уровня#

Разработанная отделом Meituan Vision AI, YOLOv6-3.0 была специально создана как «детектор объектов следующего поколения для промышленных приложений». Выпущенная в начале 2023 года, она ориентирована на максимальное использование аппаратных ресурсов, особенно на GPU NVIDIA.

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

Основные особенности архитектуры#

YOLOv6-3.0 использует основу EfficientRep, высоко оптимизированную для параллельной обработки на GPU. Это делает модель исключительно эффективной при пакетной обработке в больших масштабах. В версии 3.0 в шейю была добавлена двунаправленная конкатенация (BiC) для улучшения объединения признаков разных масштабов, что повышает способность модели обнаруживать объекты различного размера.

Кроме того, YOLOv6-3.0 использует стратегию обучения с поддержкой якорей (AAT). Этот инновационный подход объединяет преимущества обучения на основе якорей с безъякорным инференсом, позволяя модели использовать стабильность якорей на этапе обучения, сохраняя при этом скорость и простоту безъякорной архитектуры при развёртывании.

Узнай больше о YOLOv6

Сравнение производительности#

При оценке моделей для использования в продакшене критически важно сбалансировать точность (mAP), скорость инференса и вычислительные затраты (FLOPs). Ниже приведено подробное сравнение стандартных вариантов обеих моделей.

Преимущества Ultralytics#

Хотя отдельные репозитории YOLOv7 и YOLOv6-3.0 обладают широкими возможностями, их использование в экосистеме Ultralytics преобразует опыт разработчика. Пакет ultralytics для Python объединяет эти разнообразные архитектуры в рамках одного интуитивно понятного фреймворка.

• Простота использования: сложные скрипты настройки остались в прошлом. API Ultralytics позволяет загружать, обучать и развёртывать YOLOv7 или YOLOv6 с минимальным количеством шаблонного кода. Ты можешь легко переключаться между архитектурами, просто изменив файл весов модели.
• Экосистема с активной поддержкой: Ultralytics предоставляет надёжную среду с частыми обновлениями, обеспечивая нативную совместимость с последними дистрибутивами PyTorch и версиями CUDA.
• Эффективность обучения: конвейеры обучения глубоко оптимизированы для эффективного использования ресурсов GPU. Кроме того, модели Ultralytics YOLO обычно требуют меньше памяти во время обучения по сравнению с тяжёлыми моделями на основе Transformer (например, RT-DETR), что позволяет использовать большие размеры пакетов на потребительском оборудовании.
• Универсальность: помимо стандартного обнаружения ограничивающих рамок, фреймворк Ultralytics обеспечивает бесшовную поддержку сложных задач, таких как оценка позы и сегментация экземпляров, в совместимых семействах моделей — функция, которой часто нет в отдельных исследовательских репозиториях.

Пример кода: обучение и вывод#

Интегрировать эти модели в свой конвейер на Python очень просто. Убедись, что твой датасет правильно отформатирован (например, в стандартном формате COCO), и выполни следующую команду:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model (or 'yolov6n.pt' for YOLOv6)
model = YOLO("yolov7.pt")

# Train the model with built-in hyperparameter management
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image URL or local path
predictions = model("https://ultralytics.com/images/bus.jpg")

# Visualize the detection results
predictions[0].show()

Идеальные сценарии использования#

Когда выбирать YOLOv7#

YOLOv7 превосходно подходит для сценариев, требующих высокой точности и извлечения плотных признаков.

• Сложные системы видеонаблюдения: способность сохранять мелкие детали делает модель подходящей для мониторинга переполненных сцен или обнаружения небольших аномалий в инфраструктуре умного города.
• Академическое сравнение: часто используется в исследованиях как сильная базовая модель благодаря всеобъемлющей философии «бесплатных преимуществ».

Когда выбирать YOLOv6-3.0#

YOLOv6-3.0 — рабочая лошадка для конвейеров с большими объёмами данных и ускорением на GPU.

• Промышленная автоматизация: идеально подходит для производственных линий и обнаружения производственных дефектов, где GPU серверного класса одновременно обрабатывают несколько видеопотоков.
• Аналитика с высокой пропускной способностью: отлично подходит для обработки архивов офлайн-видео, где главной целью является максимальное количество кадров в секунду.

Будущее: YOLO26#

Хотя YOLOv7 и YOLOv6-3.0 обладают широкими возможностями, стремительное развитие искусственного интеллекта требует ещё большей эффективности. Выпущенная в январе 2026 года, Ultralytics YOLO26 представляет собой скачок в развитии компьютерного зрения, системно устраняя ограничения старых архитектур.

Если ты начинаешь новый проект, настоятельно рекомендуется выбрать YOLO26 вместо предыдущих поколений. Модель представляет несколько революционных возможностей:

• Сквозная архитектура без NMS: развивая основы, заложенные в YOLOv10, YOLO26 изначально устраняет подавление немаксимумов (NMS). Это снижает затраты на постобработку, упрощает развёртывание в мобильных приложениях и обеспечивает высокодетерминированный инференс с низкой задержкой.
• Оптимизатор MuSGD: вдохновлённый передовыми методами обучения LLM (например, используемыми в Kimi K2 от Moonshot AI), YOLO26 использует гибридный оптимизатор, объединяющий SGD и Muon. Это обеспечивает более стабильную динамику обучения и значительно более быструю сходимость.
• До 43% более быстрый инференс на CPU: за счёт стратегического удаления распределённых фокальных потерь (DFL) YOLO26 значительно ускоряет работу на CPU. Это делает модель бесспорным лидером для периферийных сред, таких как Raspberry Pi и удалённые IoT-сенсоры.
• ProgLoss + STAL: продвинутые функции потерь, специально разработанные для улучшения распознавания небольших объектов — традиционно слабого места одностадийных детекторов.

Объединяя эти инновации с мощной платформой Ultralytics, YOLO26 обеспечивает непревзойдённые производительность, универсальность и простоту развёртывания для современного инженера по машинному обучению.