YOLOv5 vs. YOLOv10: Detaillierter Modellvergleich zur Objekterkennung
DieYOLO Ultralytics stehen an der Spitze der Echtzeit-Objekterkennung und sind für ihre Geschwindigkeit und Genauigkeit bekannt. Diese Seite bietet einen detaillierten technischen Vergleich zwischen Ultralytics YOLOv5, einem weit verbreiteten und etablierten Modell, und YOLOv10, einer neueren Iteration, die mit NMS-freier Erkennung die Leistungsgrenzen verschiebt. Wir analysieren ihre Architekturen, Leistungsbenchmarks und idealen Anwendungen, um den Benutzern bei der Auswahl des richtigen Modells für ihre Computer-Vision-Anforderungen zu helfen.
YOLOv5: Der bewährte Industriestandard
Die Autoren: Glenn Jocher
Organisation: Ultralytics
Datum: 2020-06-26
GitHub-Link: https:yolov5
Docs Link: https:yolov5
Ultralytics YOLOv5Das von Ultralytics herausgegebene YOLOv5 wurde aufgrund seiner außergewöhnlichen Ausgewogenheit von Geschwindigkeit, Genauigkeit und bemerkenswerter Benutzerfreundlichkeit schnell zu einem Branchenfavoriten. Aufgebaut auf PyTorchauf, ist es eine robuste und vielseitige Wahl für eine breite Palette von Anwendungen und bekannt für seine effiziente Schulung und unkomplizierte Bereitstellung.
Architektur und Hauptmerkmale
YOLOv5 nutzt ein CSPDarknet53-Backbone in Kombination mit einem PANet-Hals für eine effektive skalenübergreifende Merkmalsaggregation. Seine Architektur ermöglicht eine einfache Skalierung und bietet verschiedene Modellgrößen (n, s, m, l, x), um verschiedenen Rechenbudgets und Leistungsanforderungen gerecht zu werden. YOLOv5 ist zwar ankerbasiert, was für eine optimale Leistung bei bestimmten Datensätzen einige Anpassungen erforderlich machen kann, profitiert aber in hohem Maße von dem gut gepflegten Ökosystem von Ultralytics. Dazu gehören eine umfassende Dokumentation, ein benutzerfreundliches Python , leicht verfügbare vortrainierte Gewichte für Trainingseffizienz und eine nahtlose Integration mit Ultralytics HUB für optimierte Arbeitsabläufe vom Training bis zur Bereitstellung. Die Benutzerfreundlichkeit und die große, aktive Gemeinschaft gewährleisten eine kontinuierliche Verbesserung und einen schnell verfügbaren Support.
Stärken
- Außergewöhnliche Inferenzgeschwindigkeit: Optimiert für schnelle Objekterkennung, ideal für Echtzeitsysteme.
- Skalierbarkeit und Flexibilität: Bietet mehrere Modellgrößen, so dass die Benutzer die beste Leistungsbilanz zwischen Geschwindigkeit und Genauigkeit wählen können.
- Benutzerfreundlichkeit und solide Dokumentation: Bekannt für seine Einfachheit, die eine einfache Schulung, Validierung und Bereitstellung ermöglicht.
- Ausgereiftes Ökosystem: Profitiert von einer großen Gemeinschaft, umfangreichen Ressourcen und starker Unterstützung Ultralytics .
- Effizientes Training: Benötigt im Vergleich zu transformatorbasierten Modellen relativ wenig Speicherplatz und trainiert schnell.
Schwachstellen
- Ankergestützte Erkennung: Verlässt sich auf Ankerboxen, die für eine optimale Leistung bei unterschiedlichen Datensätzen möglicherweise abgestimmt werden müssen.
- Abstriche bei der Genauigkeit: Bei kleineren Modellen steht die Geschwindigkeit im Vordergrund, was im Vergleich zu größeren Modellen oder neueren Architekturen wie YOLOv10 zu einem gewissen Verlust an Genauigkeit führen kann.
Ideale Anwendungsfälle
YOLOv5 ist weithin anwendbar, insbesondere dort, wo Geschwindigkeit, Zuverlässigkeit und einfache Bereitstellung entscheidend sind:
- Edge Computing: Effizienter Einsatz auf Geräten wie Raspberry Pi und NVIDIA Jetson aufgrund seiner Geschwindigkeit und kleineren Modellgrößen.
- Mobile Anwendungen: Geeignet für mobile Objekterkennungsaufgaben, bei denen die Rechenleistung begrenzt ist.
- Sicherheit und Bewachung: Überwachung und Erkennung in Echtzeit in Sicherheitssystemen.
- Industrielle Automatisierung: Qualitätskontrolle und Prozessautomatisierung in der Fertigung.
YOLOv10: Der neueste Stand der Echtzeit-Detektion
Autoren: Ao Wang, Hui Chen, Lihao Liu, et al.
Organisation: Tsinghua Universität
Datum: 2024-05-23
Arxiv-Link: https://arxiv.org/abs/2405.14458
GitHub-Link: https://github.com/THU-MIG/yolov10
Docs Link: https:ultralytics
YOLOv10, das von Forschern der Tsinghua-Universität vorgestellt wurde, stellt einen bedeutenden Fortschritt dar, da es sich auf eine durchgängige Echtzeit-Objekterkennung ohne Non-Maximum Suppression (NMS) konzentriert. Es zielt darauf ab, Effizienz und Genauigkeit durch architektonische Innovationen zu verbessern.
Architektur und Merkmale
YOLOv10 führt konsistente duale Zuweisungen für NMS-freies Training ein, wodurch Engpässe bei der Nachbearbeitung beseitigt und die Latenz bei den Schlussfolgerungen verringert werden. Außerdem wird eine ganzheitliche, auf Effizienz und Genauigkeit ausgerichtete Modellentwicklungsstrategie angewandt, bei der verschiedene Komponenten optimiert werden, um Rechenredundanz zu reduzieren und die Modellfähigkeit zu verbessern. Das Ergebnis ist ein Modell, das bei ähnlicher Genauigkeit oft schneller und parametereffizienter ist als frühere YOLO . YOLOv10 ist auch in das Ultralytics integriert, so dass die Benutzer vertraute Tools und Arbeitsabläufe nutzen können.
Leistungsanalyse
| Modell | Größe (Pixel) |
mAPval 50-95 |
Geschwindigkeit CPU ONNX (ms) |
Geschwindigkeit T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Hinweis: Die CPU wurden in der Quelltabelle nicht angegeben.
Stärken
- Überlegene Geschwindigkeit und Effizienz: Optimiert für Echtzeit-Inferenz, mit schnelleren Verarbeitungszeiten und niedrigeren Latenzzeiten aufgrund des NMS-freien Designs.
- NMS-freie Schulung/Inferenz: Vereinfacht die Bereitstellung und reduziert die Latenzzeit bei der Ableitung.
- Hohe Genauigkeit mit weniger Parametern: Erzielt im Vergleich zu YOLOv5 eine wettbewerbsfähige oder überlegene Genauigkeit bei kleineren Modellgrößen.
- End-to-End-Bereitstellung: Entwickelt für eine nahtlose, durchgängige Bereitstellung.
Schwachstellen
- Neueres Modell: Obwohl von Ultralytics integriert, befinden sich Community-Ressourcen und Tools von Drittanbietern im Vergleich zu dem sehr etablierten YOLOv5 noch in der Entwicklung.
- Komplexität der Optimierung: Um Spitzenleistungen zu erzielen, ist möglicherweise eine Feinabstimmung für bestimmte Hardware und Datensätze erforderlich.
Ideale Anwendungsfälle
YOLOv10 ist ideal geeignet für Anwendungen, die eine ultraschnelle und effiziente Objekterkennung mit minimaler Latenzzeit erfordern:
- Hochgeschwindigkeits-Robotik: Befähigung von Robotern zur Echtzeitverarbeitung visueller Daten in dynamischen Umgebungen.
- Erweiterte Fahrerassistenzsysteme (ADAS): Schnelle und präzise Objekterkennung für mehr Sicherheit im Straßenverkehr.
- Videoanalyse in Echtzeit: Verarbeitung von Videoströmen mit hoher Bildrate für unmittelbare Erkenntnisse.
Erfahren Sie mehr über YOLOv10
Schlussfolgerung
SowohlYOLOv5 als auch YOLOv10 Ultralytics sind leistungsstarke Modelle zur Objekterkennung. YOLOv5 ist aufgrund seiner Ausgereiftheit, seines umfassenden Supports, seiner Benutzerfreundlichkeit und seiner erwiesenen Zuverlässigkeit bei einer Vielzahl von Anwendungen eine ausgezeichnete Wahl und profitiert insbesondere von dem robusten Ultralytics . YOLOv10 bietet dank seiner NMS-freien Architektur und Effizienzoptimierungen Spitzenleistungen, insbesondere in latenzkritischen Szenarien. YOLOv10 ist zwar neuer, aber durch die Integration in das Ultralytics auch zugänglich. Die Wahl hängt von den Projektprioritäten ab: YOLOv5 für eine bewährte, vielseitige und benutzerfreundliche Lösung mit starker Unterstützung der Community oder YOLOv10 für modernste Geschwindigkeit und End-to-End-Effizienz.
Für weitere Untersuchungen sollten Sie diese Modelle mit anderen hochmodernen Architekturen vergleichen, die im Ultralytics verfügbar sind, wie z. B. YOLOv8, YOLOv9 und dem neuesten YOLO11. Sie können auch Vergleiche mit Modellen wie RT-DETR in der Rubrik Vergleiche.
