Начать

YOLOv8 и YOLOv6-3.0

Ландшафт компьютерного зрения постоянно меняется под влиянием спроса на более быстрые, точные и универсальные модели. Две наиболее заметные архитектуры, появившиеся в начале 2023 года, — это Ultralytics YOLOv8 и YOLOv6-3.0 от Meituan. Обе модели обеспечивают высокую производительность в реальном времени, но ориентированы на разные подходы к разработке и сценарии развертывания.

В этом руководстве анализируются архитектуры, метрики производительности и оптимальные сценарии использования этих моделей, чтобы помочь инженерам и исследователям в области машинного обучения выбрать подходящий инструмент для следующего проекта по обнаружению объектов.

Происхождение и характеристики моделей#

Перед сравнением технических характеристик важно понять происхождение и основные спецификации обеих моделей. Обе построены на популярном фреймворке PyTorch, но их интеграции с экосистемами значительно различаются.

Особенности YOLOv8#

Архитектура Ultralytics YOLOv8 — это унифицированный фреймворк для решения нескольких задач, изначально разработанный с учетом удобства для разработчиков и универсальности. В его основе — многолетние исследования и отзывы сообщества о предыдущих версиях.

Особенности YOLOv6-3.0#

Изначально YOLOv6 была представлена для промышленных применений в Meituan, а в версии 3.0 получила крупное обновление «Full-Scale Reloading». Модель в первую очередь ориентирована на оптимизированное промышленное развертывание и использует такие методы, как самодистилляция и RepOptimizer.

Узнай больше о YOLOv6-3.0

Упрощенное управление

Управлять наборами данных, обучением и развертыванием моделей проще с помощью Ultralytics Platform. Она предоставляет сквозной интерфейс и сводит к минимуму шаблонный код, обычно необходимый в рабочих процессах MLOps.

Архитектура и методики обучения#

Архитектура Ultralytics YOLOv8#

В YOLOv8 появилась усовершенствованная безанкорная голова обнаружения anchor-free. Отказ от заранее заданных анкерных боксов улучшает обобщающую способность модели на разных наборах данных и сокращает количество эвристик постобработки. YOLOv8 также обеспечивает удачный баланс скорости и точности для различных реальных сценариев развертывания — от облачных серверов до маломощных периферийных устройств.

Еще одно преимущество YOLOv8 — низкое потребление памяти. Во время обучения модели Ultralytics обычно используют меньше памяти CUDA, чем более крупные альтернативы на основе Transformer, например RT-DETR, поэтому разработчики могут задавать больший размер пакета на обычных потребительских GPU и эффективно обучать модели.

Архитектура YOLOv6-3.0#

В YOLOv6-3.0 используются двунаправленный модуль конкатенации (BiC) и стратегия обучения с поддержкой анкеров (AAT). В небольших моделях (N и S) применяется основа EfficientRep, а в более крупных вариантах (M и L) — основа CSPStackRep. Архитектура тщательно оптимизирована для выполнения на NVIDIA TensorRT, благодаря чему она работает очень быстро на совместимом оборудовании. Однако такая тесная привязка к оптимизациям для конкретного оборудования иногда делает кроссплатформенное развертывание менее гибким по сравнению с типичными для Ultralytics процессами экспорта в ONNX.

Сравнение производительности#

На валидационном наборе данных COCO обе модели показывают высокие результаты. В таблице ниже приведены основные метрики.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

YOLOv6-3.0 немного быстрее на T4 с TensorRT при большинстве размеров и примерно соответствует YOLOv8 по mAP, тогда как YOLOv8 использует меньше параметров при каждом размере и меньше FLOPs при размерах n, s и m. Это обеспечивает большую гибкость при работе с разным оборудованием, включая мобильные и встроенные CPU.

Экосистема и универсальность#

Главное различие между этими моделями заключается в поддержке экосистемы.

YOLOv6 предназначена прежде всего для обнаружения объектов с ограничивающими рамками. В отличие от нее, YOLOv8 известна своей универсальностью. В рамках единого фреймворка YOLOv8 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB).

Экосистема Ultralytics также разработана с учетом простоты использования. Благодаря простому Python API исследователи могут начать обучение, проверить результаты и экспортировать модели во множество форматов, не создавая сложный шаблонный код. Экосистема активно развивается: для нее регулярно выпускаются обновления и интеграции с популярными инструментами отслеживания экспериментов.

Пример кода: обучение YOLOv8#

Для обучения модели YOLOv8 требуется минимальная настройка, что подчеркивает простоту фреймворка:

from ultralytics import YOLO

# Загружаем предварительно обученную небольшую модель YOLOv8
model = YOLO("yolov8s.pt")

# Обучи модель на датасете COCO8
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Используй GPU для эффективного обучения
    batch=32,
)

# Экспортируем модель в ONNX для развертывания на разных платформах
model.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между YOLOv8 и YOLOv6 зависит от требований конкретного проекта, ограничений среды развертывания и предпочтений в отношении экосистемы.

Когда выбрать YOLOv8#

YOLOv8 — хороший выбор для:

  • Универсальное развёртывание для нескольких задач: Проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
  • Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
  • Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для следующих задач:

  • 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 выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
  • Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Перспективы: переход на YOLO26#

Хотя YOLOv8 и YOLOv6-3.0 — достойные варианты, разработчикам, начинающим новые проекты, стоит рассмотреть модель следующего поколения Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 создана для компьютерного зрения с приоритетом периферийных устройств.

В YOLO26 появился необязательный сквозной дизайн без NMS (nms=False), который устраняет необходимость в подавлении немаксимумов на этапе постобработки. Такой изначально сквозной подход позволяет упростить логику развертывания и ускорить его, особенно в периферийных средах. Благодаря удалению DFL (Distribution Focal Loss) голова модели также стала легче, а YOLO26n обеспечивает до 43% более быстрый инференс на CPU, чем YOLO11n.

Стабильность обучения и скорость сходимости также улучшены благодаря оптимизатору MuSGD — гибриду SGD и Muon, созданному под влиянием методик обучения LLM. ProgLoss + STAL (Progressive Loss и назначение меток с учетом малых объектов) улучшают обнаружение небольших объектов, что особенно важно для изображений с дронов и детальной промышленной инспекции.

Другие модели, которые стоит рассмотреть

В зависимости от конкретных ограничений тебе также может быть интересно изучить YOLO11 для проверенных рабочих процессов или YOLO-World для обнаружения объектов с нулевым числом примеров и открытым словарем без масштабного дообучения.

Заключение#

Выбор между YOLOv8 и YOLOv6-3.0 в конечном счете зависит от приоритетов твоего конвейера развертывания. YOLOv6-3.0 — функциональная модель для сред со строгими требованиями к TensorRT, где на первом месте стоит максимальная скорость GPU. Однако для большинства команд практичнее Ultralytics YOLOv8: меньшие требования к памяти при обучении, поддержка нескольких задач и экосистема Ultralytics Platform сокращают время выхода на рынок.

Для новых проектов YOLO26 обеспечивает инференс без NMS и более высокую производительность CPU в современных приложениях компьютерного зрения.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. colourpalettes3423GitHub(изменено)

    Excellent technical comparison! YOLOv6-3.0 brings some strong improvements in training efficiency and deployment optimization, especially with its industrial-grade performance focus. However, this YOLOv8 comparison highlights how v8 stands out with its modular design, multitask capabilities, and user-friendly pipeline. It's clear that both models cater to different priorities — YOLOv6 for pure speed and production use, while YOLOv8 focuses on flexibility and modern architecture.