Начать

YOLOX и YOLOv6-3.0

Развитие компьютерного зрения во многом определялось стремительным прогрессом линейки YOLO. Выбор подходящей для развёртывания архитектуры обычно сводится к поиску баланса между пропускной способностью, простотой архитектуры и эффективностью обучения. Среди важных этапов этого развития — исследовательский акцент YOLOX на безанкерной архитектуре и ориентированная на промышленную пропускную способность YOLOv6-3.0.

В этом техническом сравнении разбираются различия в архитектуре, метрики производительности и оптимальные сценарии применения, а также представлена Ultralytics YOLO26 для разработчиков, которым нужно эффективное развёртывание на периферии и в облаке.

YOLOX: от исследований к промышленности#

Разработанная исследователями из Megvii, YOLOX стала важным шагом к упрощению архитектуры YOLO благодаря полностью безанкерной конструкции.

Основные особенности архитектуры#

YOLOX привнесла безанкерную архитектуру в семейство YOLO. Отказ от заранее заданных анкерных рамок значительно сокращает число проектных параметров и объём эвристической настройки, необходимых во время обучения. Благодаря этому YOLOX адаптируется к самым разным пользовательским наборам данных без ручного пересчёта анкеров.

Кроме того, в YOLOX появилась архитектура с разделённой головой. Разделение задач классификации и регрессии по разным ветвям уменьшает конфликт между определением того, что представляет собой объект, и того, где он находится. В сочетании со стратегией назначения меток SimOTA это обеспечивает YOLOX более быструю сходимость и повышает среднюю точность (mAP).

Узнай больше о YOLOX

Преимущества моделей без якорей

Безанкерные детекторы, например YOLOX, часто лучше работают на пользовательских наборах данных с необычными соотношениями сторон объектов, поскольку не полагаются на фиксированные априорные ограничивающие рамки, которые могут не соответствовать новым данным.

YOLOv6-3.0: промышленный тяжеловес#

Разработанная отделом компьютерного зрения и ИИ в Meituan, YOLOv6-3.0 предназначена для высокой промышленной пропускной способности, особенно на GPU NVIDIA с использованием аппаратных ускорителей, таких как TensorRT.

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

Оптимизация для развёртывания#

YOLOv6-3.0 ориентирована на максимальное использование GPU. В её шейке используется двунаправленный модуль конкатенации (BiC), улучшающий слияние признаков при сохранении высокой скорости инференса. Хотя на этапе инференса архитектура полностью безанкерная, во время обучения YOLOv6-3.0 использует стратегию обучения с поддержкой анкеров (AAT), чтобы воспользоваться стабильностью анкерного подхода.

В небольших моделях используется эффективная и совместимая с оборудованием основа EfficientRep (в крупных моделях — CSPStackRep), созданная для сокращения затрат на доступ к памяти и повышения вычислительной плотности на современных ускорителях. Поэтому YOLOv6 хорошо подходит для серверной видеоаналитики.

Подробнее о YOLOv6

Сравнение производительности#

При сравнении этих моделей разработчикам нужно сопоставить точность, скорость инференса и количество параметров. В таблице ниже приведены результаты обоих семейств моделей разных размеров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
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

При каждом сопоставимом размере YOLOv6-3.0 обеспечивает более высокий mAP, чем YOLOX, и аналогичную или более высокую скорость TensorRT. При этом YOLOX остаётся конкурентоспособной благодаря простоте и очень компактным вариантам Nano и Tiny.

Сценарии использования и рекомендации#

Выбор между YOLOX и YOLOv6 зависит от конкретных требований проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOX#

YOLOX подойдёт для:

  • Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
  • Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн параметров).
  • Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

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 лучшее сочетание производительности и удобства для разработчиков:

  • Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
  • Среды, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Преимущества Ultralytics#

Megvii и Meituan предлагают эффективные исследовательские репозитории, но развёртывание этих моделей в производственной среде часто требует значительных инженерных усилий. Интегрированная экосистема Ultralytics упрощает этот процесс благодаря единому и подробному API.

Пакет Ultralytics обеспечивает разработчикам единообразный интерфейс. Он включает встроенную аугментацию данных, эффективное управление памятью во время обучения (требования к видеопамяти значительно ниже, чем у моделей на основе Transformer, например RT-DETR) и конвейеры экспорта в такие форматы, как ONNX и OpenVINO.

В отличие от специализированных моделей, архитектуры Ultralytics универсальны и из коробки поддерживают обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Представляем YOLO26#

Для команд, начинающих новые проекты в области компьютерного зрения, Ultralytics рекомендует Ultralytics YOLO26, выпущенную в январе 2026 года. Развивая идеи YOLO11 и YOLOv8, YOLO26 предлагает несколько новых возможностей:

  • Сквозная архитектура без NMS: Впервые опробованная в YOLOv10, опциональная голова YOLO26 один-к-одному (nms=False) устраняет необходимость в постобработке NMS. Это обеспечивает предсказуемый инференс с низкой задержкой для робототехники реального времени.
  • Оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей, такими как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon), обеспечивающий стабильное обучение и более быструю сходимость.
  • До 43% более быстрый инференс на CPU: После удаления Distribution Focal Loss (DFL) и упрощения головы сети YOLO26n работает на CPU до 43% быстрее YOLO11n, поэтому подходит для периферийных устройств, использующих вычисления на CPU.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают обнаружение небольших объектов, поэтому YOLO26 хорошо подходит для анализа аэрофотоснимков и инспекции микроскопических дефектов.

Пример унифицированного обучения#

С помощью Python API Ultralytics для обучения моделей с лучшими в отрасли показателями достаточно всего нескольких строк кода. Этот же лаконичный интерфейс подходит и для тестирования старых моделей YOLO, и для развёртывания новейшей YOLO26.

from ultralytics import YOLO

# Load the next-generation YOLO26 model (NMS-free, optimized for edge)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The ecosystem handles dataset downloading, caching, and batching natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model and print mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment
model.export(format="onnx")
Платформа Ultralytics

Чтобы сделать работу ещё удобнее, управляй наборами данных, отслеживай эксперименты и обучай модели в облаке с помощью платформы Ultralytics без кода.

Рекомендации по выбору для разных сценариев#

Выбирая одну из этих архитектур, учитывай ограничения своего оборудования и требования проекта:

  • Выбирай YOLOX, если исследуешь стратегии назначения меток в академических целях или тебе нужна простая для понимания безанкерная базовая модель, которую можно адаптировать под собственную архитектуру.
  • Выбирай YOLOv6-3.0, если развёртываешь модель на промышленном сервере с мощными GPU NVIDIA, например A100 или T4, и можешь использовать большие размеры пакетов и оптимизации TensorRT для одновременной обработки сотен видеопотоков.
  • Выбирай YOLO26 для подавляющего большинства современных приложений. Если ты создаёшь приложения периферийного ИИ для устройств IoT, дронов или мобильных телефонов, нативная архитектура YOLO26 без NMS, оптимизация для CPU и комплексная поддержка экосистемы делают её рекомендуемым решением для перехода от обучения к производственной эксплуатации.
Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.