开始使用

YOLOv6-3.0 与 YOLO26

实时目标检测的发展催生了优先考虑工业级 GPU 吞吐量,或注重多用途、针对边缘部署优化的模型。本比较将考察侧重工业应用的 YOLOv6-3.0 和 Ultralytics YOLO26,后者新增了可选的端到端无 NMS 推理。

无论你要将模型部署到高端服务器 GPU 还是低功耗边缘设备,了解这些模型的架构优势和理想使用场景,对于优化计算机视觉流水线都至关重要。

YOLOv6-3.0:工业吞吐量#

YOLOv6-3.0 由美团视觉 AI 部开发,旨在成为“面向工业应用的新一代目标检测器”。它着重于最大限度地提升专用 GPU 等硬件加速器上的吞吐量,因此是高速离线视频分析的有力工具。

  • 作者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu 和 Xiangxiang Chu
  • 组织: 美团
  • 日期: 2023-01-13
  • arXiv:2301.05586
  • GitHub: meituan/YOLOv6
  • 文档: YOLOv6 文档

架构重点#

YOLOv6-3.0 在颈部使用双向拼接(BiC)模块来改进特征融合,并结合辅助锚框训练(AAT)策略。其骨干网络基于 EfficientRep,这是一种专为 GPU 推理打造、对硬件高度友好的拓扑结构。虽然在使用 NVIDIA TensorRT 时速度很快,但在仅配备 CPU 或缺乏大规模并行处理能力的边缘设备上,延迟可能更高。

详细了解 YOLOv6-3.0

YOLO26:边缘端与云端的新标准#

Ultralytics YOLO26 于 2026 年 1 月发布,它将复杂的后处理变为可选项,并提供统一的多任务框架,旨在实现更快、更小、更易部署。

关键架构特性#

YOLO26 相较于之前的版本带来了多项改进:

  • 端到端无 NMS 设计:在 YOLOv10 为 YOLO 模型引入的无 NMS 训练基础上,YOLO26 提供可选的端到端一对一检测头(nms=False),跳过非极大值抑制(NMS)后处理,从而降低延迟波动并简化部署逻辑。
  • CPU 推理速度最高提升 43%:YOLO26n 针对边缘计算进行了优化,CPU 运行速度最高比 YOLO11n 快 43%,因此非常适合手机、物联网传感器和机器人等没有 GPU 的设备。
  • 移除 DFL: 移除了分布焦点损失,简化模型导出流程,并增强了与低功耗边缘设备的兼容性。
  • MuSGD 优化器:受 Moonshot AI 的 Kimi K2 等大型语言模型(LLM)训练创新启发,全新的 MuSGD 优化器(结合随机梯度下降与 Muon)将 LLM 风格的训练稳定性带入视觉任务,并加快收敛速度。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配策略可提升小目标识别能力,对于处理航空影像和密集场景的应用来说,这是一项关键改进。
多任务能力

与只能处理边界框的 YOLOv6-3.0 不同,YOLO26 针对各类任务都进行了专门优化,包括用于实例分割的语义分割损失和多尺度原型、用于姿态估计的残差对数似然估计 (RLE),以及用于解决有向边界框 (OBB)边界问题的专用角度损失。

详细性能对比#

评估模型时,速度、精度和参数效率之间的平衡至关重要。下表展示了这些模型在 COCO 数据集上的表现。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

从数据可以看出,YOLO26 在所有模型尺寸下的精度都更高。例如,YOLO26n 的 mAP 比 YOLOv6-3.0n 高 3.4,参数量和 FLOPs 约为后者的一半,但 YOLOv6-3.0n 在 T4 TensorRT 上仍然更快(1.17 ms,而 YOLO26n 为 1.7 ms)。

Ultralytics 优势#

选择模型时,需要评估其配套软件生态系统。与研究代码库相比,Ultralytics 套件在以下方面具有实用优势:

  • 易于使用:Ultralytics 提供精简的开发者体验。其统一的 Python API 只需更改一个字符串参数,用户即可在不同任务和模型之间切换。
  • 维护良好的生态系统:开发者可通过 Ultralytics Platform 管理数据集、进行云端训练,并将模型导出为 ONNX 和 OpenVINO 等格式。
  • 内存需求:与 RT-DETR 等基于 Transformer 的架构相比,YOLO26 在训练和推理期间所需的内存更少;后者需要分配大量 CUDA 显存。
  • 多功能性:YOLO26 原生支持检测、实例分割、语义分割、深度估计、分类、姿态估计和 OBB,可作为复杂多任务视觉应用的统一框架。
探索其他选择

如果你正在构建通用机器学习流水线,并希望了解生态系统中的其他选择,Ultralytics YOLO11 仍是稳定且广泛采用的企业级部署基础。

代码示例:轻松训练#

使用 Ultralytics 库进行部署和训练所需代码极少,它将直接基于原始 PyTorch 的框架所需的复杂样板代码抽象掉。以下代码片段展示了如何加载、训练和验证 YOLO26 模型。

from ultralytics import YOLO

# Load the YOLO26 Nano model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset; optimizer="auto" selects MuSGD for longer runs (>10k iterations)
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device=0,  # Uses GPU for accelerated training
)

# Validate the trained model's performance
metrics = model.val()
print(f"Validation mAP: {metrics.box.map}")

# Run NMS-free inference on a sample image
prediction = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

理想应用场景#

选择合适的架构,需要将模型优势与实际限制相匹配:

  • 何时部署 YOLOv6-3.0: 适用于批量处理至关重要的静态服务器端部署场景。高速制造产线,或配备专用 A100 或 T4 GPU 的集中式智慧城市视频中心等环境,都能从其 EfficientRep 骨干网络中受益。
  • 何时部署 YOLO26:现代可扩展应用的推荐选择。它的 CPU 推理速度更快(YOLO26n 相比 YOLO11n 最高快 43%),并提供可选的无 NMS 检测头,因此非常适合无人机分析、远程物联网传感器、移动机器人,以及需要在严格功耗限制下兼顾低延迟和高精度的任何边缘计算场景。

结论#

尽管 YOLOv6-3.0 在运行旧版 TensorRT 配置、追求高吞吐量的特定工业流水线中仍有用武之地,但Ultralytics YOLO26 是新项目的推荐选择。YOLO26 将受 LLM 启发的训练优化(MuSGD)与可选的 NMS 后处理相结合,兼具灵活性、速度和精度。再加上易用的 Ultralytics 生态系统,开发者可以更轻松地构建和部署先进的视觉应用。

评论

提出问题、分享结果,或帮助其他人。