Перейти к содержанию

YOLOv10 против YOLOv5: подробное техническое сравнение

Выбор подходящей модели обнаружения объектов имеет решающее значение для любого проекта в области компьютерного зрения, поскольку производительность напрямую влияет на успех приложения. Семейство моделей You Only Look Once (YOLO) славится своей скоростью и точностью. На этой странице представлено подробное техническое сравнение YOLOv10, современной модели из Университета Цинхуа, и Ultralytics YOLOv5, универсального и широко используемого отраслевого стандарта. Этот анализ поможет разработчикам и исследователям принять обоснованное решение на основе их конкретных потребностей.

YOLOv10: Передовой детектор реального времени

YOLOv10 представляет собой значительный прогресс в обнаружении объектов в реальном времени, уделяя особое внимание достижению истинной сквозной эффективности за счет устранения необходимости в постобработке Non-Maximum Suppression (NMS).

Технические детали:

Архитектура и ключевые особенности

YOLOv10 представляет несколько архитектурных инноваций, чтобы расширить границы компромисса между скоростью и точностью. Как подробно описано в его статье на arXiv, его основные особенности включают в себя:

  • Обучение без NMS: В процессе обучения используются согласованные двойные назначения, что позволяет модели выдавать четкие прогнозы без этапа NMS. Это нововведение упрощает конвейер развертывания и снижает задержку при выводе, что является критическим узким местом во многих системах реального времени.
  • Комплексный подход к эффективности и точности: Архитектура модели была всесторонне оптимизирована, от backbone до neck и head. Это включает в себя облегченную классификационную голову и пространственно-канальную разделенную дискретизацию, которые снижают вычислительную избыточность и расширяют возможности модели.
  • Обнаружение без привязки к якорям (Anchor-Free Detection): Как и многие современные детекторы, YOLOv10 использует подход без привязки к якорям (anchor-free), что упрощает архитектуру и улучшает обобщение для объектов различных размеров и соотношений сторон.

Сильные и слабые стороны

Преимущества:

  • Превосходная скорость и эффективность: Оптимизирована для инференса в реальном времени, предлагая более быструю обработку, что имеет решающее значение для требований с низкой задержкой.
  • Архитектура без NMS: Устраняет постобработку NMS, упрощая развертывание и сокращая общее время вывода.
  • Высокая точность при меньшем количестве параметров: Достигает конкурентоспособной точности при меньших размерах модели, что делает ее очень подходящей для сред с ограниченными ресурсами.
  • End-to-End Deployment: Разработан для бесшовного сквозного развертывания, что является значительным преимуществом для производственных систем.
  • Интеграция Ultralytics: Хотя YOLOv10 разработан сторонними разработчиками, он хорошо интегрирован в экосистему Ultralytics, извлекая выгоду из простых интерфейсов Python и CLI для обучения, валидации и инференса.

Слабые стороны:

  • Более новая модель: Будучи недавно выпущенной моделью, ее поддержка сообщества и количество интеграций со сторонними разработчиками все еще могут развиваться по сравнению с устоявшимися моделями, такими как YOLOv5.
  • Сложность оптимизации: Достижение максимальной производительности может потребовать специальной тонкой настройки и оптимизации для конкретного оборудования и наборов данных, что может быть сложнее, чем с более зрелыми моделями.

Случаи использования

YOLOv10 превосходен в приложениях, требующих сверхбыстрого и эффективного обнаружения объектов:

  • Высокоскоростная робототехника: Обеспечивает визуальную обработку в реальном времени для роботов в динамических средах, что является ключевым компонентом в будущем робототехники.
  • Продвинутые системы помощи водителю (ADAS): Обеспечение быстрой детекции объектов для повышения безопасности дорожного движения, дополняя такие решения, как ИИ в самоуправляемых автомобилях.
  • Видеоаналитика в реальном времени: Обработка видео с высокой частотой кадров для получения мгновенной информации, что полезно в таких приложениях, как управление дорожным движением.

Узнайте больше о YOLOv10

Ultralytics YOLOv5: Универсальная и широко используемая модель

Ultralytics YOLOv5 стал отраслевым стандартом, известным своим превосходным балансом скорости, точности и простотой использования. Он был предпочтительной моделью для тысяч разработчиков и исследователей с момента своего выпуска.

Технические детали:

Архитектура и ключевые особенности

YOLOv5, построенный на базе PyTorch, использует CSPDarknet53 в качестве основы и PANet в качестве neck для агрегации признаков. Его архитектура обладает высокой масштабируемостью и предлагается в различных размерах (n, s, m, l, x) для соответствия различным вычислительным возможностям. Ключевой причиной его популярности является удобство использования, предоставляемое Ultralytics, которое включает в себя:

  • Простой и согласованный API: Понятный интерфейс для обучения, валидации и инференса.
  • Обширная документация: Подробные руководства и учебные пособия, которые охватывают все, от обучения на пользовательских данных до развертывания.
  • Интегрированная экосистема: Полная поддержка в экосистеме Ultralytics, включая такие инструменты, как Ultralytics HUB для обучения без кода и управления MLOps.

Сильные и слабые стороны

Преимущества:

  • Исключительная простота использования: Известен своим простым API, исчерпывающей документацией и плавной интеграцией, что делает его очень доступным как для начинающих, так и для экспертов.
  • Развитая и надежная экосистема: Преимуществами являются большое, активное сообщество, частые обновления, легкодоступные предварительно обученные веса и обширные ресурсы.
  • Баланс производительности: Предлагает превосходный компромисс между скоростью и точностью, что делает его практичным выбором для широкого спектра реальных приложений.
  • Эффективность обучения: Отличается эффективным процессом обучения, более низкими требованиями к памяти по сравнению со многими сложными архитектурами и более быстрой сходимостью с предварительно обученными весами.
  • Универсальность: Поддержка нескольких задач, помимо обнаружения объектов, включая сегментацию экземпляров и классификацию изображений.

Слабые стороны:

  • Детектирование на основе Anchor: Опирается на anchor boxes, что иногда может потребовать настройки для достижения оптимальной производительности на наборах данных с нетрадиционными формами объектов.
  • Компромисс в точности: Несмотря на высокую производительность, меньшие модели YOLOv5 приоритезируют скорость, и новые архитектуры, такие как YOLOv10, могут достигать более высоких показателей mAP на стандартных тестах.

Случаи использования

Универсальность и эффективность YOLOv5 делают его подходящим для огромного количества областей:

  • Edge Computing: Его скорость и меньшие размеры моделей делают его идеальным для развертывания на таких устройствах, как Raspberry Pi и NVIDIA Jetson.
  • Промышленная автоматизация: Широко используется для контроля качества и автоматизации процессов в производстве.
  • Безопасность и видеонаблюдение: Идеально подходит для мониторинга в реальном времени в системах безопасности и приложениях общественной безопасности.
  • Мобильные приложения: Подходит для задач обнаружения объектов на устройстве, где потребление ресурсов является ключевым фактором.

Узнайте больше о YOLOv5

Напрямую: Анализ производительности

В таблице ниже представлено подробное сравнение различных вариантов моделей YOLOv10 и YOLOv5, протестированных на наборе данных COCO. Метрики выделяют компромиссы между точностью (mAP), скоростью инференса и сложностью модели (параметры и FLOPs).

Модель размер
(пиксели)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4 TensorRT10
(мс)		 параметры
(M)		 FLOPs
(B)
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 - 12.20 56.9 160.4
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

Из данных видно, что модели YOLOv10 стабильно достигают более высоких показателей mAP при значительно меньшем количестве параметров и FLOPs по сравнению с их аналогами YOLOv5. Например, YOLOv10-S превосходит YOLOv5-m по точности (46,7 против 45,4 mAP), имея при этом примерно треть параметров. Это демонстрирует превосходную архитектурную эффективность YOLOv10.

Тем не менее, Ultralytics YOLOv5 сохраняет сильные позиции, особенно в отношении скорости инференса на определенном оборудовании. Модель YOLOv5n демонстрирует замечательную скорость как на CPU, так и на GPU T4, что делает ее отличным выбором для приложений, где важна каждая миллисекунда и ресурсы сильно ограничены.

Заключение: какую модель вам следует выбрать?

YOLOv10 и Ultralytics YOLOv5 — исключительные модели, но они отвечают разным приоритетам.

YOLOv10 — идеальный выбор для разработчиков и исследователей, которым необходимо расширить границы производительности и эффективности. Ее архитектура без NMS обеспечивает ощутимое преимущество в приложениях, критичных к задержкам, а ее способность обеспечивать высокую точность с меньшим объемом модели меняет правила игры для развертывания на edge-устройствах. Если вашему проекту требуется абсолютно лучший компромисс между скоростью и точностью, и вы комфортно работаете с новой, развивающейся моделью, YOLOv10 — убедительный вариант.

Ultralytics YOLOv5 остается рекомендуемым выбором для большинства пользователей, особенно для тех, кто ценит простоту использования, быструю разработку и стабильную, хорошо поддерживаемую экосистему. Ее проверенная репутация, обширная документация и простая интеграция с такими инструментами, как Ultralytics HUB, делают ее невероятно доступной. Для проектов, требующих надежной, универсальной и простой в развертывании модели с фантастическим балансом производительности, YOLOv5 является выдающимся и надежным выбором.

В конечном счете, решение зависит от конкретных ограничений и целей вашего проекта. Для передовой эффективности обратите внимание на YOLOv10. Для надежного, удобного и универсального решения Ultralytics YOLOv5 трудно превзойти.

Изучите другие модели YOLO

Ландшафт YOLO постоянно развивается. Для тех, кто заинтересован в изучении возможностей, выходящих за рамки YOLOv10 и YOLOv5, Ultralytics предлагает ряд мощных моделей. Рассмотрите возможность ознакомления с Ultralytics YOLOv8, которая предлагает отличный баланс производительности и универсальности с поддержкой нескольких задач компьютерного зрения, или с последней версией YOLO11 для получения самых современных результатов.

Доступны дополнительные сравнения, которые помогут вам выбрать лучшую модель для ваших нужд:



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
glenn-jocher

Комментарии