YOLOv6 -3.0 so với YOLO11 Khám phá chuyên sâu về phát hiện đối tượng trong thời gian thực

Khi đánh giá các mô hình thị giác máy tính cho các ứng dụng hiệu năng cao, việc lựa chọn kiến trúc phù hợp là vô cùng quan trọng. Sự phát triển của trí tuệ nhân tạo thị giác đã dẫn đến các mô hình chuyên biệt được thiết kế riêng cho các môi trường khác nhau. Hướng dẫn toàn diện này so sánh hai mô hình nổi bật trong hệ sinh thái: mô hình tập trung vào công nghiệp. YOLOv6 -3.0 và Ultralytics YOLO11 rất đa năng.

Cả hai mô hình đều cung cấp các giải pháp mạnh mẽ cho các chuyên gia học máy, nhưng chúng phục vụ các mô hình triển khai khác nhau. Dưới đây, chúng tôi sẽ phân tích kiến trúc, phương pháp huấn luyện và các kịch bản triển khai thực tế lý tưởng của chúng để giúp bạn đưa ra quyết định sáng suốt.

YOLOv6 -3.0: Chuyên môn hóa năng suất công nghiệp

Được phát triển bởi Bộ phận AI Thị giác tại Meituan, YOLOv6-3.0 được định vị là một khung detect đối tượng thế hệ tiếp theo được tối ưu hóa rõ ràng cho các ứng dụng công nghiệp.

Tác giả: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, và Xiangxiang Chu
Tổ chức:Meituan
Ngày: 2023-01-13
Arxiv:2301.05586
GitHub:meituan/YOLOv6
Tài liệu:Tài liệu YOLOv6

Điểm nổi bật về kiến trúc

YOLOv6 -3.0 tập trung mạnh vào việc tối đa hóa thông lượng trên các bộ tăng tốc phần cứng như NVIDIA GPU. Cấu trúc cốt lõi của nó dựa trên thiết kế EfficientRep , rất thân thiện với phần cứng. GPU thực hiện các hoạt động suy luận bằng cách sử dụng các nền tảng như TensorRT .

Một tính năng kiến trúc chính là mô-đun Ghép nối hai chiều (BiC) ở phần cổ của nó, giúp tăng cường hợp nhất đặc trưng trên các tỷ lệ khác nhau. Để cải thiện sự hội tụ trong giai đoạn huấn luyện, YOLOv6 sử dụng chiến lược Huấn luyện hỗ trợ neo (AAT). Chiến lược này tạm thời tận dụng hộp neo trong quá trình huấn luyện để gặt hái lợi ích của các mô hình dựa trên neo, trong khi suy luận về cơ bản vẫn không cần neo.

Trong khi YOLOv6 - Phiên bản 3.0 hoạt động xuất sắc trong môi trường xử lý hàng loạt tốc độ cao, chẳng hạn như phân tích video ngoại tuyến trên phần cứng máy chủ mạnh mẽ; tuy nhiên, sự chuyên môn hóa sâu này đôi khi có thể dẫn đến độ trễ không tối ưu. CPU - Chỉ các thiết bị biên so với các mô hình được thiết kế cho điện toán đa năng rộng hơn.

Tìm hiểu thêm về YOLOv6

Ultralytics YOLO11 Tiêu chuẩn đa năng linh hoạt

Được phát hành bởi Ultralytics YOLO11 đánh dấu một bước chuyển lớn hướng tới một khung phần mềm thống nhất, hiệu quả cao, có khả năng xử lý đồng thời một lượng lớn các tác vụ xử lý hình ảnh.

Tác giả: Glenn Jocher và Jing Qiu
Tổ chức:Ultralytics
Ngày: 2024-09-27
GitHub:ultralytics/ultralytics
Tài liệu:Tài liệu YOLO11

Lợi thế của Ultralytics

Mặc dù các mô hình công nghiệp chuyên dụng rất có giá trị, nhưng hầu hết các nhà phát triển hiện đại đều ưu tiên sự cân bằng giữa hiệu năng, tính dễ sử dụng, hiệu quả bộ nhớ và khả năng hỗ trợ nhiều tác vụ khác nhau. YOLO11 Nổi bật nhờ cung cấp một giải pháp toàn diện.

Không giống như YOLOv6 , tập trung hoàn toàn vào việc phát hiện khung bao quanh, Ultralytics YOLO11 Nó được trang bị sẵn các chức năng phân đoạn đối tượng , ước lượng tư thế , phân loại hình ảnh và trích xuất hộp giới hạn định hướng (OBB) . Điều này được thực hiện trong khi vẫn duy trì một hệ sinh thái cực kỳ dễ tiếp cận.

Quy trình làm việc học máy được tối ưu hóa

Ultralytics Tạo ra trải nghiệm "từ con số không đến anh hùng". Thay vì các thiết lập môi trường phức tạp thường thấy trong các kho lưu trữ nghiên cứu, bạn có thể huấn luyện, xác thực và xuất mô hình thông qua một giao diện thống nhất. Python API hoặc giao diện dòng lệnh. Nền tảng Ultralytics giúp đơn giản hóa hơn nữa việc gắn nhãn dữ liệu và huấn luyện trên đám mây.

Tìm hiểu thêm về YOLO11

So sánh Hiệu suất và Kỹ thuật

Bảng dưới đây cung cấp cái nhìn chi tiết về hiệu suất của các mô hình này ở các kích thước khác nhau. Hãy chú ý đến sự giảm đáng kể về số lượng tham số và FLOPs trong YOLO11 các mô hình được so sánh với chúng YOLOv6 các đối tác, cấp phép YOLO11 Sự cân bằng hiệu suất vượt trội.

Mô hình	Kích thước ^(pixels)	mAP^val 50-95	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(M)	FLOPs ^(B)
YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

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

Yêu cầu bộ nhớ và hiệu quả huấn luyện

Khi chuẩn bị dữ liệu tùy chỉnh, hiệu quả đào tạo là yếu tố tối quan trọng. Ultralytics YOLO Các mô hình này yêu cầu mức sử dụng VRAM thấp hơn đáng kể trong quá trình huấn luyện so với các mạng công nghiệp được tùy chỉnh cao hoặc các kiến trúc dựa trên Transformer khổng lồ. Điều này giúp dân chủ hóa AI, cho phép các nhà nghiên cứu tinh chỉnh các mô hình có độ chính xác cao trên GPU dành cho người tiêu dùng. Hơn nữa, tính chủ động của AI cho phép các nhà nghiên cứu tinh chỉnh các mô hình có độ chính xác cao trên GPU dành cho người tiêu dùng. Ultralytics cộng đồng đảm bảo rằng các công cụ như điều chỉnh siêu tham số và tích hợp ghi nhật ký (như Weights & Biases hoặc Comet ML ) luôn được cập nhật.

Các trường hợp sử dụng và Khuyến nghị

Việc lựa chọn giữa YOLOv6 và YOLO11 phụ thuộc vào các yêu cầu dự án cụ thể, ràng buộc triển khai và sở thích hệ sinh thái của bạn.

Khi nào nên chọn YOLOv6

YOLOv6 là một lựa chọn tốt cho:

Triển khai công nghiệp nhận biết phần cứng: Các kịch bản mà thiết kế nhận biết phần cứng và tái tham số hóa hiệu quả của mô hình mang lại hiệu suất tối ưu trên phần cứng mục tiêu cụ thể.
Phát hiện một giai đoạn nhanh: Các ứng dụng ưu tiên tốc độ suy luận thô trên GPU để xử lý video thời gian thực trong môi trường được kiểm soát.
Tích hợp hệ sinh thái Meituan: Các nhóm đã làm việc trong ngăn xếp công nghệ và cơ sở hạ tầng triển khai của Meituan.

Khi nào nên chọn YOLO11

YOLO11 Được khuyến nghị cho:

Triển khai biên sản xuất: Các ứng dụng thương mại trên các thiết bị như Raspberry Pi hoặc NVIDIA Jetson, nơi độ tin cậy và việc bảo trì tích cực là tối quan trọng.
Ứng dụng thị giác đa nhiệm: Các dự án yêu cầu detect, segmentation, ước tính tư thế, và OBB trong một framework thống nhất duy nhất.
Tạo mẫu và triển khai nhanh: Các nhóm cần chuyển nhanh từ thu thập dữ liệu sang sản xuất bằng cách sử dụng API Python của Ultralytics được tối ưu hóa.

Khi nào nên lựa chọn Ultralytics (YOLO26)

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

Triển khai biên không NMS: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không cần sự phức tạp của xử lý hậu kỳ Non-Maximum Suppression.
Môi trường chỉ có CPU: Các thiết bị không có tăng tốc GPU chuyên dụng, nơi khả năng suy luận CPU nhanh hơn tới 43% của YOLO26 mang lại lợi thế quyết định.
Detect đối tượng nhỏ: Các kịch bản đầy thách thức như hình ảnh từ máy bay không người lái hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL tăng cường đáng kể độ chính xác trên các đối tượng rất nhỏ.

Ví dụ mã: API python hợp nhất

Huấn luyện một mô hình tiên tiến với Ultralytics Chỉ cần một vài dòng mã. API này cũng xử lý các dự đoán, xác thực và xuất dữ liệu sang các định dạng như ONNX hoặc OpenVINO .

from ultralytics import YOLO

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

# Train the model on the COCO8 dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference on a sample image
prediction = model("https://ultralytics.com/images/bus.jpg")

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

Hướng tới tương lai: Sự ra mắt của YOLO26

Trong khi YOLO11 Với ưu điểm vượt trội so với các kiến trúc cũ, các nhà phát triển muốn đạt hiệu năng tối ưu nhất nên cân nhắc nâng cấp lên Ultralytics YOLO26 đột phá.

Ra mắt vào tháng 1 năm 2026, YOLO26 thiết lập một tiêu chuẩn mới về hiệu quả của mô hình AI, mang đến những cải tiến chưa từng thấy trong lĩnh vực thị giác máy tính:

Thiết kế NMS-Free End-to-End: Việc bỏ qua nhu cầu về Non-Maximum Suppression (NMS) giúp giảm đáng kể độ trễ triển khai—một phương pháp lần đầu tiên được giới thiệu trong YOLOv10.
Trình tối ưu hóa MuSGD: Tích hợp sự ổn định trong huấn luyện LLM vào các tác vụ thị giác, trình tối ưu hóa này kết hợp SGD và Muon để đạt được sự hội tụ cực kỳ ổn định và nhanh chóng.
Tối ưu hóa CPU: Bằng cách loại bỏ Distribution Focal Loss (DFL), YOLO26 đạt được tốc độ suy luận CPU nhanh hơn tới 43%, làm cho nó trở thành lựa chọn hoàn hảo cho các ứng dụng di động, IoT và AI biên.
Hàm mất mát nâng cao: Việc triển khai ProgLoss và STAL cải thiện đáng kể khả năng nhận diện vật thể nhỏ, điều này rất quan trọng đối với hình ảnh trên không và robot học.

Tìm hiểu thêm về YOLO26

Kết luận và Đề xuất

Nếu môi trường triển khai của bạn bị giới hạn nghiêm ngặt trong môi trường công nghiệp được thiết kế phức tạp. GPU Đối với các pipeline yêu cầu suy luận theo lô, YOLOv6 -3.0 vẫn là một công cụ thú vị. Tuy nhiên, đối với phần lớn các tình huống thực tế yêu cầu các mô hình có khả năng mở rộng, dễ huấn luyện và có độ chính xác cao, Ultralytics YOLO11 —và YOLO26 tiên tiến nhất—là những lựa chọn được đề xuất không thể bàn cãi.

Cái Ultralytics Hệ sinh thái này cho phép bạn nhanh chóng chuyển từ thu thập dữ liệu sang triển khai tại biên, đảm bảo các dự án của bạn có khả năng đáp ứng nhu cầu trong tương lai và được hỗ trợ bởi tài liệu đầy đủ và cộng đồng hỗ trợ. Đối với những người đang tìm hiểu các kiến trúc hiệu quả khác, chúng tôi cũng khuyên bạn nên xem xét YOLOv8 để có sự hỗ trợ mạnh mẽ và đã được chứng minh cho các hệ thống cũ, hoặc trực tiếp chuyển sang thế hệ tiếp theo với YOLO26 .