YOLOX и YOLO11#

Развитие компьютерного зрения во многом определялось стремлением создать фреймворки для обнаружения объектов в реальном времени, сочетающие высокую точность и скорость инференса. Среди наиболее заметных вех этого пути — YOLOX и Ultralytics YOLO11. Хотя обе модели внесли значительный вклад в эту область, их базовые архитектуры, принципы проектирования и экосистемы для разработчиков существенно различаются.

В этом подробном техническом сравнении рассматриваются их архитектуры, показатели производительности, методологии обучения и оптимальные сценарии развертывания, чтобы помочь тебе принять взвешенное решение для следующего проекта в области искусственного интеллекта.

Обзор YOLOX#

Представленная 18 июля 2021 года исследователями Чжэн Гэ, Сунтао Лю, Фэн Ваном, Цзэмин Ли и Цзянь Суном из Megvii, модель YOLOX стала значительным шагом в развитии серии YOLO. Она успешно преодолела разрыв между академическими исследованиями и промышленным применением, внедрив безъякорную архитектуру.

Чтобы получить более подробную техническую информацию, ты можешь ознакомиться с оригинальной статьёй YOLOX на Arxiv.

Ключевые архитектурные особенности#

YOLOX отказалась от традиционного обнаружения на основе якорей,采用ив раздельную голову и безъякорный механизм. Это уменьшило количество параметров проектирования и повысило производительность модели на различных бенчмарках. Кроме того, в модели появились передовые стратегии сопоставления меток, такие как SimOTA, которые ускоряют процесс обучения и улучшают сходимость.

Хотя YOLOX обеспечивала отличную для своего времени точность, она в основном ориентирована на обнаружение объектов по ограничивающим рамкам и не имеет встроенной поддержки других сложных задач компьютерного зрения.

Узнай больше о YOLOX

Обзор Ultralytics YOLO11#

Выпущенная 27 сентября 2024 года Гленном Джочером и Цзин Цю из Ultralytics, модель YOLO11 задаёт новый стандарт универсальности и простоты использования в компьютерном зрении. Созданная на основе многолетних фундаментальных исследований, она представляет собой тщательно отработанное решение, готовое к промышленной эксплуатации и эффективное в широком спектре задач.

Преимущества Ultralytics#

YOLO11 — это не просто детектор объектов, а унифицированный фреймворк с поддержкой сегментации экземпляров, классификации изображений, оценки позы и обнаружения ориентированных ограничивающих рамок (OBB). Модель отличается высокоэффективной архитектурой, обеспечивающей оптимальный баланс между скоростью, количеством параметров и точностью.

Кроме того, YOLO11 полностью интегрирована с Ultralytics Platform, которая предоставляет оптимизированную экосистему для аннотирования данных, обучения моделей и развертывания.

Сравнение производительности и метрик#

При сравнении этих моделей становится очевидным баланс производительности. В большинстве категорий размеров YOLO11 достигает более высокой средней точности (mAP), используя значительно меньше параметров и FLOPs, чем соответствующие модели YOLOX.

Как показано выше, модели YOLO11 стабильно превосходят YOLOX по точности, сохраняя при этом меньшее количество параметров. Например, YOLO11m достигает 51.5 mAP, используя всего 20.1M параметров, тогда как YOLOXx показывает сопоставимые 51.1 mAP, но требует огромных 99.1M параметров. Такая эффективность использования памяти при обучении и инференсе делает YOLO11 особенно подходящей для развертывания на периферийных устройствах с ИИ, избавляя от значительных требований к памяти CUDA, характерных для более старых моделей или моделей на базе Transformer, таких как RT-DETR.

Экосистема и простота использования#

Одно из наиболее заметных различий между этими двумя фреймворками — опыт разработчика.

YOLOX часто требует клонирования репозиториев, настройки сложных окружений и запуска команд с большим количеством аргументов для обучения моделей и экспорта в такие форматы, как ONNX или TensorRT.

В отличие от этого, Ultralytics YOLO11 предоставляет невероятно простой API Python и CLI. Библиотека Ultralytics автоматически выполняет аугментацию данных, настройку гиперпараметров и экспорт.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model effortlessly on custom data
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to TensorRT for optimized deployment
model.export(format="engine")

Эта тщательно поддерживаемая экосистема дополнена обширной документацией и бесшовной интеграцией с такими инструментами, как Weights & Biases, для отслеживания экспериментов.

Идеальные сценарии использования#

Выбор между этими моделями часто зависит от особенностей среды развертывания.

Когда использовать YOLOX#

• Устаревшие системы: если у тебя есть готовый конвейер, специально созданный на базе фреймворка MegEngine или подходов к обнаружению объектов начала 2021 года.
• Академические базовые модели: если ты проводишь исследование, требующее прямого сравнения с фундаментальными безъякорными архитектурами эпохи 2021 года.

Когда использовать YOLO11#

• Промышленное развертывание: для коммерческих приложений в сфере умной розничной торговли или систем охранной сигнализации, где надёжный поддерживаемый код и высокая точность обязательны.
• Многозадачные конвейеры: если проект требует отслеживания объектов, оценки позы человека и сегментации экземпляров с использованием единого унифицированного фреймворка.
• Периферийные устройства с ограниченными ресурсами: благодаря небольшому количеству параметров и высокой пропускной способности YOLO11 идеально подходит для развертывания на Raspberry Pi или мобильных периферийных узлах через CoreML и NCNN.

Взгляд в будущее: преимущества YOLO26#

Хотя YOLO11 представляет собой огромный шаг вперёд по сравнению с YOLOX, область компьютерного зрения быстро развивается. Разработчикам, начинающим новые проекты сегодня, мы однозначно рекомендуем Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 развивает архитектурные достижения YOLO11 и добавляет несколько революционных возможностей:

• Дизайн end-to-end без NMS: YOLO26 исключает постобработку методом подавления немаксимумов (NMS) для более быстрого и простого развертывания пайплайнов (концепция, впервые исследованная в YOLOv10).
• До 43% более быстрый инференс на CPU: благодаря удалению Distribution Focal Loss (DFL) YOLO26 значительно эффективнее работает на CPU и периферийных устройствах с низким энергопотреблением.
• Оптимизатор MuSGD: вдохновлённый инновациями в обучении LLM от Moonshot AI, оптимизатор MuSGD обеспечивает высокую стабильность обучения и быструю сходимость.
• Продвинутые функции потерь: благодаря использованию ProgLoss + STAL YOLO26 заметно улучшает распознавание небольших объектов, что особенно важно для съёмки с дронов и автономной робототехники.

Для подавляющего большинства современных задач компьютерного зрения переход твоего конвейера на YOLO26 обеспечит наилучший баланс скорости, точности и простоты развертывания.