Link to this sectionYOLOv10 против YOLOv5#

Выбор правильной архитектуры нейронной сети критически важен для успешного развертывания конвейеров компьютерного зрения в продакшене. На этой странице представлен углубленный технический анализ, сравнивающий YOLOv10 и YOLOv5 — две модели, оказавшие огромное влияние на эволюцию детектирования объектов в реальном времени. Хотя обе модели внесли значительный вклад в сообщество ИИ, они представляют разные эпохи и философии в проектировании архитектур глубокого обучения.

В этом руководстве эти архитектуры оцениваются на основе средней точности (mAP), задержки вывода, эффективности параметров и поддержки экосистемы, что поможет тебе выбрать лучшую модель для твоих задач развертывания.

Link to this sectionОбзор моделей#

Link to this sectionYOLOv10: Детектирование объектов в реальном времени из конца в конец#

Разработанная исследователями из Университета Цинхуа, YOLOv10 представила новый подход к детектированию объектов, исключив необходимость в постобработке.

• Авторы: Ао Ван, Хуэй Чен, Лихао Лю и др.
• Организация: Tsinghua University
• Дата: 2024-05-23
• Научная статья: arXiv:2405.14458
• Исходный код: Репозиторий YOLOv10 на GitHub

Определяющим прорывом YOLOv10 является её дизайн «End-to-End NMS-Free» (без NMS). Исторически модели YOLO полагались на немаксимальное подавление (NMS) для фильтрации дублирующихся ограничивающих рамок. YOLOv10 использует согласованное двойное назначение для обучения без NMS, что значительно снижает изменчивость задержки вывода и упрощает логику развертывания. Кроме того, архитектура отличается целостным дизайном, ориентированным на эффективность и точность, который тщательно оптимизирует различные компоненты для снижения вычислительной избыточности.

Узнай больше о YOLOv10

Link to this sectionYOLOv5: отраслевой стандарт удобства использования#

Выпущенная вскоре после создания репозитория Ultralytics PyTorch, YOLOv5 переопределила ожидания разработчиков от фреймворка компьютерного зрения с открытым исходным кодом. Она остается одной из самых широко развертываемых архитектур в мире.

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 2020-06-26
• Исходный код: Репозиторий YOLOv5 на GitHub

YOLOv5 славится своей простотой использования и отлично поддерживаемой экосистемой. Написанная полностью на PyTorch, она предлагает бесшовный опыт «от нуля до героя» с готовой поддержкой обучения, валидации и экспорта в такие форматы, как ONNX и TensorRT. В отличие от YOLOv10, которая фокусируется в основном на чистом детектировании объектов, YOLOv5 демонстрирует исключительную универсальность, поддерживая сегментацию экземпляров и классификацию изображений в рамках одного унифицированного Python API.

Узнай больше о YOLOv5

Link to this sectionСравнение производительности и метрик#

Визуализация зависимости между скоростью и точностью необходима для выявления моделей, предлагающих наилучшую точность для заданного ограничения по скорости. Понимание этих показателей производительности является основополагающим для выбора модели, которая соответствует твоим конкретным аппаратным ограничениям.

Link to this sectionТехнический анализ#

1. Точность (mAP): YOLOv10 демонстрирует явное преимущество по точности перед предыдущими поколениями. Например, модель YOLOv10-X достигает 54.4% mAP^val, превосходя YOLOv5x (50.7% mAP). Этот скачок в основном обусловлен стратегией обучения без NMS и архитектурными доработками, представленными в 2024 году.
2. Задержка вывода: Хотя модели YOLOv5 исключительно быстры на эталонных тестах T4 TensorRT (например, YOLOv5n при 1.12 мс), YOLOv10 полностью исключает этап постобработки NMS. При практическом развертывании «end-to-end» дизайн YOLOv10 без NMS обеспечивает более стабильную и детерминированную задержку, что критически важно для приложений реального времени, таких как автономные транспортные средства и робототехника.
3. Эффективность параметров: Модели YOLOv10 поддерживают высококонкурентный баланс производительности. YOLOv10-S достигает 46.7% mAP всего с 7.2 млн параметров, тогда как YOLOv5s достигает 37.4% mAP с 9.1 млн параметров.

Link to this sectionСценарии использования и рекомендации#

Выбор между YOLOv10 и YOLOv5 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда стоит выбрать YOLOv10#

YOLOv10 — отличный выбор для:

• Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
• Приложений с постоянной задержкой: Сценарии развертывания, где критически важна предсказуемость времени вывода, например, в робототехнике или автономных системах.

Link to this sectionКогда стоит выбрать YOLOv5#

YOLOv5 рекомендуется для:

• Проверенных производственных систем: существующих развертываний, где ценятся долгая история стабильности YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения с ограниченными ресурсами: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти являются преимуществом.
• Обширной поддержки форматов экспорта: проектов, требующих развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionПреимущество Ultralytics#

Хотя YOLOv10 предлагает отличные возможности детектирования, опора на академические репозитории иногда может усложнить производственные конвейеры. Используя официальный Python-пакет Ultralytics, ты получаешь доступ к унифицированной экосистеме, которая поддерживает как YOLOv5, так и YOLOv10, наряду с расширенными функциями.

• Эффективность обучения: Архитектуры Ultralytics YOLO глубоко оптимизированы для снижения требований к памяти во время обучения. В отличие от тяжелых Transformer-моделей (таких как RT-DETR), которым требуется огромный объем памяти CUDA, ты можешь комфортно обучать YOLOv5 и YOLOv10 на стандартных потребительских GPU.
• Интеграция с экосистемой: Интеграция с платформой Ultralytics позволяет разработчикам визуально управлять наборами данных, отслеживать эксперименты с помощью Weights & Biases и автоматически настраивать гиперпараметры.

Link to this sectionПример кода: Бесшовное обучение#

Используя библиотеку Ultralytics, переключение между этими архитектурами так же просто, как изменение строки модели. Конвейер обучения автоматически обрабатывает аугментацию данных, масштабирование и настройку оптимизатора.

from ultralytics import YOLO

# To use YOLOv5:
# model = YOLO("yolov5s.pt")

# To use YOLOv10:
model = YOLO("yolov10s.pt")

# Train the model on a custom dataset
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Use GPU 0
)

# Export the trained model to ONNX format
path = model.export(format="onnx")

Link to this sectionСледующее поколение: Ultralytics YOLO26#

Если ты начинаешь новый проект по машинному обучению сегодня, мы настоятельно рекомендуем оценить новейшую Ultralytics YOLO26. Выпущенная в январе 2026 года, она представляет собой абсолютный уровень современного состояния техники, объединяя лучшие инновации последних пяти лет.

YOLO26 нативно включает дизайн «End-to-End NMS-Free», заложенный YOLOv10, обеспечивая быстрое и детерминированное развертывание. Кроме того, YOLO26 представляет несколько критических прорывов:

• Ускорение вывода на CPU до 43%: За счет удаления модуля Distribution Focal Loss (DFL), YOLO26 достигает значительного ускорения на стандартных CPU, что делает её первоклассным выбором для развертывания на мобильных устройствах и маломощных IoT-сенсоров.
• Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (LLM), такими как Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает невероятно стабильные запуски обучения и значительно ускоренную сходимость по сравнению с оптимизаторами AdamW, используемыми в YOLOv10.
• ProgLoss + STAL: Эти передовые функции потерь дают заметные улучшения в распознавании мелких объектов, что критически важно для изображений с дронов и приложений воздушной безопасности.
• Мастерство в специфических задачах: В то время как YOLOv10 — это строго детектор ограничивающих рамок, YOLO26 предлагает специализированные архитектурные улучшения для всех задач, включая Residual Log-Likelihood Estimation (RLE) для позы (Pose) и специализированные угловые потери для ориентированных ограничивающих рамок (OBB).

Независимо от того, полагаешься ли ты на надежное наследие YOLOv5, инновацию YOLOv10 без NMS или непревзойденную передовую производительность YOLO26, экосистема Ultralytics предоставляет инструменты, необходимые для быстрого и эффективного воплощения твоих приложений компьютерного зрения в жизнь.