YOLO11 vs YOLOv5: Эволюция современного detect объектов

Эволюция detect объектов в реальном времени была в значительной степени сформирована серией Ultralytics YOLO. YOLOv5, выпущенная в 2020 году, установила глобальный стандарт простоты использования, скорости и надежности, став одной из наиболее широко развернутых моделей AI в истории. YOLO11, последняя итерация, опирается на этот легендарный фундамент, обеспечивая беспрецедентную точность, эффективность и универсальность.

В этом руководстве представлено подробное техническое сравнение этих двух мощных инструментов, помогающее разработчикам и исследователям понять архитектурные сдвиги, прирост производительности и идеальные варианты использования для каждого из них.

Анализ производительности

Разрыв в производительности между YOLO11 и YOLOv5 подчеркивает быстрый прогресс в проектировании нейронных сетей. Хотя YOLOv5 остается способной моделью, YOLO11 стабильно превосходит ее по всем масштабам моделей, особенно с точки зрения скорости inference на CPU и accuracy detect.

Ключевые показатели производительности

В таблице ниже представлено прямое сравнение на наборе данных COCO. Важным наблюдением является эффективность YOLO11n, которая достигает 39,5 mAP, значительно превосходя 28,0 mAP YOLOv5n, а также работает быстрее на оборудовании CPU.

Точность и эффективность

YOLO11 представляет собой сдвиг парадигмы в компромиссе между «эффективностью и точностью».

• Обнаружение малых объектов: YOLO11 значительно улучшает обнаружение малых объектов по сравнению с YOLOv5, благодаря усовершенствованным слоям извлечения признаков.
• Вычислительная эффективность: YOLO11l достигает 53.4 mAP, имея всего 25.3M параметров. В отличие от этого, YOLOv5l требует 53.2M параметров для достижения более низкого mAP в 49.0. Это сокращение параметров на 50% при более высокой точности приводит к снижению использования памяти и ускорению времени обучения.

Архитектура и дизайн модели

Архитектурные различия между этими двумя моделями отражают прогресс исследований в области компьютерного зрения за несколько лет.

YOLOv5: Проверенный стандарт

YOLOv5 представила удобную реализацию на PyTorch, которая сделала object detection доступной для широких масс.

• Backbone: Использует модифицированный CSPDarknet53, который очень эффективен, но вычислительно более тяжелый, чем современные альтернативы.
• Фокус: Приоритет отдавался балансу скорости и точности, что было революционным на момент выпуска в 2020 году.
• Устаревшие: Он остается «безопасным выбором» для систем, уже глубоко интегрированных с его конкретными форматами ввода/вывода.

Узнайте больше о YOLOv5

YOLO11: Передовые технологии

YOLO11 интегрирует новейшие методы глубокого обучения, чтобы максимизировать повторное использование функций и минимизировать вычислительные издержки.

• C3k2 Block: Эволюция CSP bottleneck, этот блок обеспечивает более эффективный поток градиентов и объединение признаков.
• C2PSA Module: Вводит механизмы пространственного внимания, позволяя модели сосредотачиваться на критических областях изображения для лучшей локализации объектов.
• Multi-Task Head: В отличие от YOLOv5, которая требует отдельных веток моделей для разных задач, YOLO11 изначально поддерживает Object Detection, Instance Segmentation, Pose Estimation, Oriented Bounding Boxes (OBB) и Classification в унифицированной структуре.

Узнайте больше о YOLO11

Таблица сравнения: технические характеристики

Обучение и экосистема

Обе модели выигрывают от надежной экосистемы Ultralytics, которая предоставляет удобные инструменты для управления данными, обучения и развертывания.

Эффективность обучения

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

• Умные настройки по умолчанию: Движок Ultralytics автоматически настраивает гиперпараметры на основе набора данных и размера модели, уменьшая необходимость в ручной настройке гиперпараметров.
• Использование памяти: Благодаря уменьшенному количеству параметров, модели YOLO11 обычно потребляют меньше GPU VRAM во время обучения, что позволяет использовать большие размеры пакетов на потребительском оборудовании.

Пример кода: Обучение YOLO11

Обучение YOLO11 упрощено с использованием 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 в экосистему

Хотя YOLOv5 имеет обширную коллекцию сторонних учебных пособий из-за своего возраста, YOLO11 изначально интегрирован в современный пакет Ultralytics. Это обеспечивает немедленный доступ к расширенным функциям:

• Экспорт в один клик: Экспорт в ONNX, OpenVINO, TensorRT и CoreML с помощью одной команды.
• Отслеживание: Встроенная поддержка object tracking (BoT-SORT, ByteTrack) без внешних репозиториев.
• Explorer: Используйте API Ultralytics Explorer для визуализации ваших наборов данных и запроса к ним с помощью SQL и семантического поиска.

Идеальные варианты использования

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

Когда следует выбирать YOLO11

YOLO11 — это рекомендуемый выбор для 95% новых проектов.

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

Когда следует остаться с YOLOv5

YOLOv5 остается жизнеспособным вариантом для конкретных устаревших сценариев.

1. Устаревшее обслуживание: Если у вас есть производственная система, тесно связанная с конкретной кодовой базой или форматом вывода YOLOv5.
2. Специфическая аппаратная настройка: Некоторые старые встроенные ускорители могут иметь высокооптимизированную прошивку, специально проверенную для слоев YOLOv5 (хотя большинство современных сред выполнения, таких как OpenVINO, теперь отдают предпочтение более новым архитектурам).
3. Академический базис: Исследователи, сравнивающие с историческими базовыми показателями, часто ссылаются на YOLOv5 из-за ее 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: Непосредственный предшественник YOLO11, предлагающий отличный баланс функций и широкое распространение в отрасли.
• YOLOv10: Архитектура, ориентированная на обучение без NMS для снижения задержки в конкретных приложениях реального времени.
• RT-DETR: Детектор на основе трансформера, который отличается высокой точностью в случаях, когда скорость логического вывода менее важна, чем максимальная точность.
• YOLOv9: Известен своей концепцией программируемой градиентной информации (PGI), обеспечивающей высокую производительность в сложных задачах обнаружения.

Заключение

Переход от YOLOv5 к YOLO11 знаменует собой важную веху в истории компьютерного зрения. YOLOv5 демократизировала AI, сделав object detection доступным для всех. YOLO11 совершенствует это видение, предоставляя модель, которая быстрее, легче и точнее.

Для разработчиков, стремящихся к абсолютно лучшей производительности на ватт и самому универсальному набору функций, YOLO11 — явный победитель. Его интеграция в активную экосистему Ultralytics гарантирует, что у вас есть доступ к новейшим инструментам, простым API и процветающему сообществу для поддержки вашего пути в области ИИ.

Готовы к обновлению? Ознакомьтесь с документацией YOLO11 или изучите репозиторий GitHub, чтобы начать работу сегодня.

Комментарии