YOLOv7 与YOLOv6.0：综合技术比较
在快速发展的计算机视觉领域，选择正确的物体检测模型对于项目的成功至关重要。YOLOv7 和YOLOv6.0 是塑造该领域的两个重要框架。虽然两者都共享YOLO （只看一次）的血统，但在架构理念和优化目标上却有很大的不同。
本指南对这两种模式进行了深入的技术分析，比较了它们的架构、性能指标和理想的部署方案。我们还探讨了现代替代方案，如 Ultralytics YOLO11等现代替代方案如何将这些前辈的最佳功能整合到一个统一、用户友好的生态系统中。
YOLOv7：精确架构
YOLOv72022 年 7 月发布的YOLO 代表了YOLO 系列的重大转变，它优先考虑架构创新，在不牺牲实时推理能力的前提下最大限度地提高准确性。其设计目的是突破COCO 数据集基准的极限。
作者：王建尧、Alexey Bochkovskiy、廖鸿源Chien-Yao Wang, Alexey Bochkovskiy, and Hong-Yuan Mark Liao
组织：台湾中央研究院信息科学研究所
日期：2022-07-06
Arxiv:https://arxiv.org/abs/2207.02696
GitHub:https://github.com/WongKinYiu/yolov7
Docs:ultralytics
主要建筑特点
YOLOv7 引入了 "可训练的免费样本袋"，这是一套在不增加推理成本的情况下提高准确性的优化方法。
- E-ELAN（扩展高效层聚合网络）：这种架构通过控制最短和最长梯度路径来提高网络的学习能力。它通过扩大计算块的万有引力，使模型能够学习到更多不同的特征。
- 模型缩放： YOLOv7 采用复合缩放技术，可同时修改深度和宽度，确保不同尺寸的模型（从 Tiny 到 E6E）都能获得最佳性能。
- 辅助头训练：该模型在训练过程中使用辅助头提供深度监督，然后在推理过程中剥离。这可以提高深度学习模型的收敛性。
优势与劣势
YOLOv7 以其高平均精度（mAP）而闻名，尤其是在小物体和遮挡物体上。对于精度要求极高的研究和应用场景来说，它是一个极佳的选择。然而，与精简的工业模型相比，其复杂的架构（主要依赖于基于连接的图层）可能会在训练过程中导致更高的内存消耗。
YOLOv6.0：专为工业速度而设计
YOLOv6.0 由美团视觉计算部门开发，重点关注实际工业应用。YOLOv6-3.0 将于 2023 年初发布，它优先考虑推理速度和硬件效率，是边缘计算的理想选择。
作者李楚怡、李璐璐、耿一飞、蒋洪亮、程萌、张博、柯在丹、徐晓明、储祥祥
组织机构：美团网美团网
日期：2023-01-13
Arxiv:https://arxiv.org/abs/2301.05586
GitHubYOLOv6
Docsultralytics
主要建筑特点
YOLOv6.0 的独特之处在于其硬件感知设计，特别针对GPU 和CPU 吞吐量进行了优化。
- RepVGG 主干网：该模型采用重新参数化（RepVGG）模块。在训练过程中，该模型采用多分支拓扑结构以获得更好的学习效果，并在推理时将其数学融合为单分支结构。这使得在NVIDIA Jetson 等硬件上的执行速度更快。
- 解耦头：早期的YOLO 版本共享分类和定位功能，而YOLOv6 则不同，它使用了一个解耦头。这种分离提高了收敛速度和检测精度。
- 便于量化：架构设计便于模型量化（如 INT8），这对于在资源有限的设备上部署至关重要。
优势与劣势
YOLOv6.0 在原始吞吐量方面表现出色。对于以毫秒为单位的工业自动化生产线或机器人技术而言，其优化的推理图是一大优势。不过，它主要侧重于检测，缺乏YOLO11 等后期迭代产品的本地多任务多功能性。
性能对比
下表说明了两种模式之间的权衡。一般来说，YOLOv6.0 在类似精度等级的情况下速度更快，而YOLOv7 则提高了检测精度的上限。
| 模型 | 尺寸 (像素) | mAPval 50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (毫秒) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOv6.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
结果分析
- 速度与精度： YOLOv6.0n 的速度极快，在 T4 GPU 上实现了 1.17ms 的推理速度，是高速视频分析的理想选择。
- 峰值精度：YOLOv7x 实现了更高的 mAP(53.1%），与YOLOv6.0l （52.8%）相比，显示了其在检测困难示例方面的优势。
- 计算效率： YOLOv6 利用更少的FLOP达到了相当的性能水平，验证了其 "EfficientRep "设计理念。
部署考虑因素
虽然基准测试提供了一个基线，但实际性能在很大程度上取决于部署硬件。YOLOv6 的重参数化在 GPU 上表现出色，而YOLOv7 基于串联的架构非常强大，但可能会占用大量内存带宽。
Ultralytics 的优势：超越比较
虽然YOLOv7 和YOLOv6.0 代表了计算机视觉历史上的重大成就，但该领域的发展速度非常快。对于寻求可持续的、面向未来的解决方案的开发人员来说、 Ultralytics YOLO11提供了一个全面的生态系统，超越了单个模型架构的局限性。
为什么选择 Ultralytics YOLO11？
- 无与伦比的易用性：许多开源模型需要复杂的资源库克隆和环境设置，而Ultralytics 模型则不同，只需简单的 pip 安装即可访问。Python API设计直观，只需几行代码就能完成训练和推理。
- 性能平衡： YOLO11 以YOLOv6 和YOLOv7 的架构经验为基础，采用了经过改进的架构，在保持实时应用所需的推理速度的同时，实现了最先进的准确性。
- 多功能性： Ultralytics 生态系统的最大优势之一是支持多种任务。YOLOv6 和YOLOv7 主要侧重于检测，而YOLO11 原生支持实例分割、姿势估计 、分类和定向对象检测（旋转框检测）。
- 训练效率： Ultralytics 模型经过优化，在训练过程中收敛速度更快，内存使用率更低。这种高效的资源管理允许在消费级 GPU 上进行训练，而不会像旧式transformer 或串联重型架构那样产生大量CUDA 内存开销。
- 维护良好的生态系统： Ultralytics 拥有频繁的更新、丰富的文档和活跃的社区，可确保您的项目与最新的PyTorch 版本和导出格式兼容，例如 ONNX、TensorRT 和CoreML 等导出格式兼容。
实施实例
使用Ultralytics 部署最先进的模型非常简单。下面介绍如何轻松实现对象检测：
from ultralytics import YOLO
# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")
# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
# Process results
for result in results:
result.save(filename="output.jpg") # save to disk
结论
YOLOv7 和YOLOv6.0 都服务于特定的利基市场：YOLOv7 用于高精度研究任务，YOLOv6.0 用于工业速度优化。不过，对于大多数开发人员和研究人员来说， Ultralytics YOLO11生态系统提供了最均衡、多功能和可维护的解决方案。Ultralytics 将高性能与卓越的用户体验和广泛的任务支持相结合，使用户能够专注于解决实际问题，而不是纠结于模型架构。
探索其他模型
如果您有兴趣在计算机视觉领域探索更多选择，请考虑这些比较：
- YOLOv7 与RT-DETR：基于 CNN 的检测器与Transformer的架构的比较。
- YOLOv6 与YOLOv8：上一代Ultralytics 模型与工业标准的比较。
- YOLOv7 与 YOLOX：分析无锚与基于锚的检测策略。