YOLO11 против YOLOv5: эволюция современного обнаружения объектов

Эволюция системы обнаружения объектов в реальном времени в значительной степени определяется серией Ultralytics YOLO . YOLOv5выпущенная в 2020 году, установила мировые стандарты простоты использования, скорости и надежности, став одной из самых распространенных моделей искусственного интеллекта в истории. YOLO11последняя итерация, опирающаяся на этот легендарный фундамент, обеспечивает беспрецедентную точность, эффективность и универсальность.

В этом руководстве приводится подробное техническое сравнение этих двух мощных систем, помогающее разработчикам и исследователям понять архитектурные изменения, прирост производительности и идеальные варианты использования каждой из них.

Анализ производительности

Разрыв в производительности между YOLO11 и YOLOv5 свидетельствует о стремительном прогрессе в разработке нейронных сетей. В то время как YOLOv5 остается способной моделью, YOLO11 постоянно превосходит ее во всех масштабах модели, особенно по скорости вывода данных на CPU и точности обнаружения.

Ключевые показатели эффективности

В таблице ниже представлено сравнение между собой на наборе данныхCOCO . Важным моментом является эффективность YOLO11n, которая достигает 39,5 mAP, что значительно превосходит 28,0 mAP YOLOv5n, и при этом работает быстрее на CPU .

Точность против эффективности

YOLO11 представляет собой смену парадигмы в компромиссе "эффективность - точность".

• Обнаружение мелких объектов: YOLO11 значительно улучшает обнаружение мелких объектов по сравнению с YOLOv5, благодаря усовершенствованным слоям извлечения признаков.
• Эффективность вычислений: YOLO11l достигает 53,4 mAP , используя всего 25,3M параметров. Для сравнения, YOLOv5l требует 53,2 М параметров, чтобы достичь более низкого значения mAP 49,0. Сокращение количества параметров на 50 % для достижения более высокой точности приводит к снижению потребления памяти и ускорению времени обучения.

Архитектура и дизайн модели

Архитектурные различия между этими двумя моделями отражают развитие исследований в области компьютерного зрения на протяжении нескольких лет.

YOLOv5: проверенный стандарт

YOLOv5 представила удобную реализацию PyTorch , которая сделала обнаружение объектов доступным для широких масс.

• Магистраль: Используется модифицированный CSPDarknet53, который очень эффективен, но вычислительно тяжелее современных альтернатив.
• Фокус: Приоритетом стал баланс скорости и точности, который был революционным при выпуске в 2020 году.
• Legacy: Он остается "безопасным выбором" для систем, уже глубоко интегрированных с его специфическими форматами ввода/вывода.

Узнайте больше о YOLOv5

YOLO11: The Cutting Edge

YOLO11 объединяет новейшие методы глубокого обучения для максимального повторного использования функций и минимизации вычислительных затрат.

• Блок C3k2: Являясь развитием узкого места CSP, этот блок позволяет более эффективно использовать градиентный поток и слияние функций.
• Модуль C2PSA: Представляет механизмы пространственного внимания, позволяющие модели фокусироваться на критических областях изображения для лучшей локализации объекта.
• Многозадачная голова: В отличие от YOLOv5, где для разных задач требуются отдельные форки моделей, YOLO11 поддерживает обнаружение объектов, сегментацию объектов, оценку позы, ориентированные граничные коробки (OBB) и классификацию в единой структуре.

Узнайте больше о YOLO11

Сравнительная таблица: Технические характеристики

Обучение и экосистема

Обе модели пользуются преимуществами надежной экосистемыUltralytics , которая предоставляет удобные инструменты для управления данными, обучения и развертывания.

Эффективность обучения

YOLO11 разработан для более быстрого обучения и более быстрой сходимости, чем YOLOv5.

• Интеллектуальные настройки по умолчанию: Механизм Ultralytics автоматически настраивает гиперпараметры в зависимости от набора данных и размера модели, снижая необходимость ручной настройки гиперпараметров.
• Использование памяти: Благодаря уменьшенному количеству параметров модели YOLO11 в целом потребляют меньше VRAM GPU во время обучения, что позволяет использовать большие объемы партий на потребительском оборудовании.

Пример кода: Обучение YOLO11

Обучение YOLO11 упрощается с помощью ultralytics Пакет Python . В следующем примере показано, как обучить модель YOLO11n на наборе данных COCO8 .

from ultralytics import YOLO

# Load a pre-trained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model
# The device argument can be 'cpu', 0 for GPU, or [0, 1] for multi-GPU
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

Интеграция экосистем

В то время как YOLOv5 в силу своего возраста имеет обширную коллекцию сторонних учебников, YOLO11 встроен в современный пакет Ultralytics . Это обеспечивает немедленный доступ к расширенным возможностям:

• Экспорт в один клик: Экспорт в ONNX, OpenVINO, TensorRT и CoreML с помощью одной команды.
• Отслеживание: Встроенная поддержка отслеживания объектов (BoT-SORT, ByteTrack) без использования внешних репозиториев.
• Explorer: Используйте API Ultralytics Explorer для визуализации и запросов к вашим наборам данных с помощью SQL и семантического поиска.

Идеальные варианты использования

Выбор подходящей модели зависит от конкретных ограничений и требований вашего проекта.

Когда выбирать YOLO11

YOLO11 рекомендуется для 95 % новых проектов.

1. Новые разработки: Если вы начинаете с нуля, YOLO11 предлагает лучшие перспективы, точность и скорость.
2. Развертывание наCPU : Для граничных устройств, работающих на CPU (например, Raspberry Pi, мобильные телефоны), YOLO11n значительно быстрее и точнее, чем YOLOv5n.
3. Сложные задачи: Проекты, требующие оценки позы или OBB (например, аэрофотосъемка, анализ документов), изначально поддерживаются YOLO11.
4. Облако и сервер: Высокая пропускная способность YOLO11 делает его идеальным для обработки огромных видеопотоков в режиме реального времени.

Когда стоит придерживаться YOLOv5

YOLOv5 остается жизнеспособным вариантом для специфических сценариев, связанных с наследием.

1. Обслуживание наследия: Если у вас есть производственная система, сильно связанная с конкретной кодовой базой YOLOv5 или форматом вывода.
2. Специфическая настройка оборудования: Некоторые старые встраиваемые ускорители могут иметь высоко оптимизированную прошивку, специально проверенную для слоев YOLOv5 (хотя большинство современных режимов выполнения, таких как OpenVINO , теперь предпочитают более новые архитектуры).
3. Академический базис: Исследователи, проводящие сравнение с историческими эталонами, часто ссылаются на YOLOv5 из-за его давнего присутствия в литературе.

Изучение других вариантов

Ultralytics поддерживает широкий спектр моделей, помимо YOLO11 и YOLOv5. В зависимости от ваших конкретных потребностей, вы можете рассмотреть:

• YOLOv8: прямой предшественник YOLO11, предлагающий отличный баланс функций и широкое распространение в индустрии.
• YOLOv10: архитектура, ориентированная на обучение NMS для снижения задержек в конкретных приложениях реального времени.
• RT-DETR: Детектор на основе трансформатора, превосходящий по точности в случаях, когда скорость вывода не так важна, как максимальная точность.
• YOLOv9: Известен своей концепцией программируемой градиентной информации (PGI), обеспечивающей высокую производительность при решении сложных задач обнаружения.

Заключение

Переход от YOLOv5 к YOLO11 знаменует собой важную веху в истории компьютерного зрения. YOLOv5 демократизировал ИИ, сделав обнаружение объектов доступным для всех. YOLO11 совершенствует это видение, предоставляя более быструю, легкую и точную модель.

Для разработчиков, которые ищут абсолютную производительность на ватт и самый универсальный набор функций, YOLO11 - несомненный победитель. Его интеграция в активную экосистему Ultralytics гарантирует, что вы получите доступ к новейшим инструментам, простым API и процветающему сообществу для поддержки вашего пути к ИИ.

Готовы к обновлению? Ознакомьтесь с документациейYOLO11 или изучите репозиторий GitHub, чтобы начать работу уже сегодня.

Комментарии