Link to this sectionYOLOv10 против YOLOv5: всестороннее техническое сравнение#

Выбор правильной архитектуры нейронной сети критически важен для внедрения успешных конвейеров computer vision в производство. Эта страница содержит подробный 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 подходы к проектированию архитектур глубокого обучения.

Это руководство оценивает данные архитектуры на основе mean Average Precision (mAP), задержки вывода, эффективности параметров и поддержки экосистемы, помогая тебе выбрать лучшую модель для твоих задач развертывания.

Link to this sectionОбзор моделей#

Link to this sectionYOLOv10: детектирование объектов в реальном времени от начала до конца#

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

• Авторы: Ao Wang, Hui Chen, Lihao Liu 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 End-to-End NMS-Free Design. Исторически модели YOLO полагались на Non-Maximum Suppression (NMS) для фильтрации избыточных ограничивающих рамок. YOLOv10 использует согласованные двойные назначения для обучения без NMS, что радикально снижает вариативность задержки вывода и упрощает логику развертывания. Кроме того, архитектура отличается дизайном, ориентированным на целостную эффективность и точность, что тщательно оптимизирует различные компоненты для сокращения вычислительной избыточности.

Узнать больше о YOLOv10

Link to this sectionYOLOv5: отраслевой стандарт удобства использования#

Выпущенная вскоре после создания репозитория Ultralytics PyTorch, YOLOv5 переопределила ожидания разработчиков от open-source фреймворка компьютерного зрения. Она остается одной из самых широко развертываемых архитектур в мире.

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 26.06.2020
• Исходный код: Репозиторий YOLOv5 на GitHub

YOLOv5 ценится за простоту использования и высококачественную поддерживаемую экосистему. Написанная полностью на PyTorch, она предлагает бесшовный опыт "от нуля до результата" с готовой поддержкой обучения, валидации и экспорта в форматы, такие как ONNX и TensorRT. В отличие от YOLOv10, которая фокусируется преимущественно на чистом детектировании объектов, YOLOv5 демонстрирует исключительную универсальность, поддерживая instance segmentation и image classification в рамках единого 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 при заданном ограничении скорости. Понимание этих performance metrics является основополагающим для выбора модели, соответствующей твоим аппаратным ограничениям.

Link to this sectionТехнический анализ#

1. Точность (mAP): YOLOv10 демонстрирует явное поколенческое преимущество в точности. Например, модель YOLOv10-X достигает 54.4% mAP^val, превосходя YOLOv5x (50.7% mAP). Этот скачок во многом обусловлен стратегией обучения без NMS и архитектурными улучшениями, внедренными в 2024 году.
2. Задержка вывода (Inference Latency): Хотя модели YOLOv5 исключительно быстры на бенчмарках T4 TensorRT (например, YOLOv5n — 1.12 мс), YOLOv10 полностью исключает этап постобработки NMS. В практических end-to-end развертываниях дизайн YOLOv10 без NMS обеспечивает более стабильную и детерминированную задержку, что критически важно для приложений реального времени, таких как autonomous vehicles и робототехника.
3. Эффективность параметров: Модели YOLOv10 поддерживают высококонкурентный баланс производительности. YOLOv10-S достигает 46.7% mAP при всего 7.2M параметров, тогда как YOLOv5s достигает 37.4% mAP при 9.1M параметров.

Link to this sectionВарианты 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 выбирать YOLOv10#

YOLOv10 — хороший выбор для:

• Обнаружение в реальном времени без NMS: Приложения, которые выигрывают от комплексного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированные компромиссы скорости и точности: Проекты, требующие хорошего баланса между скоростью вывода и точностью обнаружения для моделей различных масштабов.
• Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

Link to this sectionКогда выбирать YOLOv5#

YOLOv5 рекомендуется для:

• Проверенных производственных систем: Существующих развертываний, где ценятся долгая история стабильности YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения в условиях ограниченных ресурсов: Сред с ограниченными GPU-ресурсами, где эффективный конвейер обучения YOLOv5 и меньшие требования к памяти являются преимуществом.
• Широкой поддержки форматов экспорта: Проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и TFLite.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

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

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Link to this sectionПреимущество Ultralytics#

Хотя YOLOv10 предлагает отличные возможности детектирования, опора на академические репозитории иногда может усложнить производственные конвейеры. Используя официальный Ultralytics Python package, ты получаешь доступ к единой экосистеме, поддерживающей как YOLOv5, так и YOLOv10, наряду с продвинутыми функциями.

• Эффективность обучения: Архитектуры Ultralytics YOLO глубоко оптимизированы для снижения memory requirements во время обучения. В отличие от тяжелых Transformer-моделей (таких как RT-DETR), требующих огромного объема памяти CUDA, ты можешь с комфортом обучать YOLOv5 и YOLOv10 на стандартных потребительских GPU.
• Интеграция с экосистемой: Интеграция с Ultralytics Platform 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 конфигурацию 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 machine learning сегодня, мы настоятельно рекомендуем оценить новейшую Ultralytics YOLO26. Выпущенная в январе 2026 года, она представляет собой абсолютное состояние технологий, объединяя лучшие инновации последних пяти лет.

YOLO26 нативно включает End-to-End NMS-Free Design, впервые примененный в YOLOv10, обеспечивая быстрое и детерминированное развертывание. Более того, YOLO26 представляет несколько критических прорывов:

• До 43% более быстрый вывод на CPU: Удалив модуль Distribution Focal Loss (DFL), YOLO26 достигает значительного ускорения на стандартных CPU, что делает её первоклассным выбором для mobile deployment и маломощных IoT-сенсоров.
• Оптимизатор MuSGD: Вдохновленный техниками обучения Large Language Model (LLM), такими как Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это гарантирует невероятно стабильные запуски обучения и значительно ускоренную сходимость по сравнению с оптимизаторами AdamW, используемыми в YOLOv10.
• ProgLoss + STAL: Эти продвинутые функции потерь дают заметные улучшения в распознавании мелких объектов, что критически важно для drone imagery 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 поз и специализированные потери по углу для ориентированных ограничивающих рамок (OBB).

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