YOLO11 与 YOLOv6-3.0：详细模型比较
选择正确的计算机视觉模型对于在物体检测任务中实现最佳性能至关重要。Ultralytics 提供一系列YOLO 模型，每种模型都具有独特的优势。本页将对Ultralytics YOLO11 和 YOLOv6-3.0 这两种常用的物体检测模型进行技术比较，重点介绍它们的架构、性能指标和理想应用。
Ultralytics YOLO11
Ultralytics YOLO11 是YOLO 系列中最新的尖端模型，由Ultralytics 的 Glenn Jocher 和 Jing Qiu 合著，于 2024-09-27 发布。它以之前的版本为基础，提供了最先进的物体检测功能，可提高各种计算机视觉任务的准确性和效率，包括物体检测、实例分割、图像分类和姿态估计。
YOLO11 在架构上进行了改进，以实现更精确的预测和更高的效率。值得注意的是，与YOLOv8m 相比，YOLOv8m 在 COCO 数据集上以更少的参数实现了更高的平均精度 (mAP)。这种效率适用于从边缘设备到云系统的各种平台。优化的设计带来了更快的处理速度和更低的计算成本，使其适用于实时应用和资源有限的环境。更多详情，请参阅YOLO11 官方文档。
YOLO11 的优势：
- 超高精度：以更少的参数实现更高的 mAP，提高检测精度。
- 提高效率：提供更快的处理速度，降低计算成本。
- 多功能性：支持多种任务，包括检测、分割、分类和姿势估计。
- 跨平台兼容性：在边缘系统和云系统上均表现良好。
- 易用性：与Ultralytics HUB 和Python 软件包无缝集成。
YOLO11 的弱点：
- 新模式：作为最新的模式，与更成熟的模式相比，社区支持和文档仍在不断增长。
YOLO11 的理想使用案例：
YOLO11 的精度和速度兼顾，非常适合需要高精度和实时性能的应用，例如
- 自动驾驶汽车中的高级驾驶辅助系统（ADAS）（自动驾驶中的人工智能）
- 制造业中的高精度机器人技术（制造业中的人工智能）
- 先进的监控系统可增强安全性（计算机视觉防盗技术）
- 通过医学图像分析进行精确诊断（医疗保健领域的人工智能）
- 实时体育分析（探索计算机视觉在体育运动中的应用）
YOLOv6-3.0
YOLOv6-3.0 是美团开发的高性能物体检测框架，由李初一、李露露等人撰写，于 2023-01-13 发布。它专为需要在速度和精度之间取得平衡的工业应用而设计。YOLOv6-3.0 采用了双向串联（BiC）模块和锚点辅助训练（AAT）策略等架构创新，在不明显降低速度的情况下提高了性能。
YOLOv6-3.0 以效率和速度著称，提供各种型号（N、S、M、L）以满足不同的计算需求。它的优化设计和量化支持使其特别适合实时应用和在边缘设备上部署。详细信息请参阅 YOLOv6 文档和 YOLOv6 GitHub 代码库。
YOLOv6-3.0 的优势：
- 推理速度快：针对实时性能进行了优化，实现了高 FPS。
- 平衡精度：在精度和速度之间取得良好平衡。
- 量化支持：提供 INT8 量化功能，进一步提高速度和效率。
- 移动优化：包括专为移动和CPU 部署设计的 YOLOv6Lite 型号。
- 成熟的模式：文档齐全，拥有强大的社区和代码库。
YOLOv6-3.0 的弱点：
- 精度可能较低：在某些复杂情况下，与最新的YOLO 型号（如YOLO11 ）相比，精度可能略低。
- 开发起源：在Ultralytics 之外开发，但已集成到Ultralytics 生态系统中。
YOLOv6-3.0 的理想使用案例：
YOLOv6-3.0 非常适合对速度和效率要求极高的应用：
- 边缘设备上的实时物体检测（边缘 AI）
- 需要快速可靠检测的工业自动化（利用计算机视觉改进生产）
- 对快速处理要求极高的监控和安全系统（利用视觉 AI 打破监控现状）
- 资源有限的移动应用（在边缘智能设备上部署计算机视觉应用）
- 高通量视频分析
| 模型 | 尺寸 （像素） |
mAPval 50-95 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
有兴趣了解其他型号的用户还可以考虑兼顾性能和功能的Ultralytics YOLOv8 、先进架构改进的 YOLOv9、最新进展的 YOLOv10、YOLOv7 和YOLOv5，它们在YOLO 系列中都具有独特的优势。
