Начать

YOLOv10 и YOLOv5

Выбор правильной архитектуры нейронной сети имеет решающее значение для развертывания в производственной среде успешных конвейеров компьютерного зрения. На этой странице представлен подробный технический анализ, в котором сравниваются YOLOv10 и YOLOv5 — две чрезвычайно влиятельные модели в эволюции обнаружения объектов в реальном времени. Хотя обе модели оказали значительное влияние на сообщество ИИ, они представляют разные эпохи и подходы к проектированию архитектур глубокого обучения.

В этом руководстве архитектуры сравниваются по средней точности (mAP), задержке инференса, эффективности использования параметров и поддержке экосистемы, чтобы ты мог выбрать лучшую модель для своих задач развертывания.

Обзор моделей#

YOLOv10: сквозное обнаружение объектов в реальном времени#

Разработанная исследователями Университета Цинхуа, YOLOv10 предложила новый подход к детекции объектов, устранив необходимость в постобработке NMS.

Главная особенность YOLOv10 — сквозная архитектура без NMS. Исторически модели YOLO использовали подавление немаксимумов (NMS) для фильтрации избыточных ограничивающих рамок. Для обучения без NMS YOLOv10 использует согласованные двойные назначения, что уменьшает вариативность задержки инференса и упрощает логику развертывания. Кроме того, архитектура построена на целостном подходе, ориентированном на эффективность и точность, и оптимизирует различные компоненты, чтобы сократить избыточные вычисления.

Подробнее о YOLOv10

YOLOv5: отраслевой стандарт удобства использования#

Выпущенная Ultralytics в июне 2020 года, YOLOv5 повысила ожидания от удобства использования фреймворков ИИ для компьютерного зрения с открытым исходным кодом. Она остается одной из наиболее широко применяемых архитектур в мире.

YOLOv5 известна простотой использования и хорошо поддерживаемой экосистемой. Полностью написанная на PyTorch, она изначально поддерживала обучение, валидацию и экспорт в такие форматы, как ONNX и TensorRT. В отличие от YOLOv10, ориентированной на детекцию объектов, YOLOv5 также отличается универсальностью: в исходном репозитории YOLOv5 добавили сегментацию экземпляров в v7.0 и классификацию изображений в v6.2.

Сравнение производительности и метрик#

Чтобы определить модели, обеспечивающие наилучшую точность при заданном ограничении скорости, важно наглядно сравнить скорость и точность. Понимание этих метрик производительности необходимо для выбора модели, соответствующей ограничениям конкретного оборудования.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Технический анализ#

  1. Точность (mAP): YOLOv10 демонстрирует явное преимущество в точности над предыдущим поколением. Например, модель YOLOv10-X достигает 54,4% mAPval50-95, превосходя YOLOv5x (50,7% mAP). Этот прирост во многом обеспечивают безанкерная голова YOLOv10 и усовершенствования, направленные на повышение точности, такие как свёртки с большими ядрами и частичное самовнимание.
  2. Задержка инференса: Модели YOLOv5 очень быстры в тестах TensorRT на T4 (например, YOLOv5n — 1.12 мс), однако YOLOv10 может полностью пропустить постобработку NMS. При практическом сквозном развертывании архитектура YOLOv10 без NMS обеспечивает более стабильную задержку, что важно для приложений реального времени, таких как автономные транспортные средства и робототехника.
  3. Эффективность по параметрам: Модели YOLOv10 обеспечивают отличный баланс производительности. YOLOv10-S достигает 46.3% mAP при 7.2M параметров — столько же у YOLOv5s, которая достигает 37.4% mAP.
Совет по развертыванию

При развертывании на устройствах периферийного ИИ, таких как NVIDIA Jetson, модели без логики NMS (YOLOv10 или YOLO26, экспортированная с помощью nms=False) часто проще компилировать в TensorRT, избегая перехода на операции CPU.

Сценарии использования и рекомендации#

Выбор между YOLOv10 и YOLOv5 зависит от требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLOv10#

YOLOv10 — хороший выбор для:

  • Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
  • Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
  • Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда стоит выбрать YOLOv5#

YOLOv5 рекомендуется для следующих задач:

  • Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
  • Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
  • Широкая поддержка форматов экспорта: проекты, требующие развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Преимущества Ultralytics#

YOLOv10 обеспечивает отличные возможности детекции, но использование академических репозиториев иногда осложняет производственные конвейеры. Официальный пакет Ultralytics для Python дает доступ к единой экосистеме, поддерживающей и YOLOv5, и YOLOv10, а также расширенные функции.

  • Эффективность обучения: Архитектуры Ultralytics YOLO оптимизированы для низкого потребления памяти при обучении. В отличие от более ресурсоемких моделей на основе трансформеров, таких как RT-DETR, которым требуется гораздо больше памяти CUDA, YOLOv5 и YOLOv10 без проблем обучаются на обычных пользовательских GPU.
  • Интеграция с экосистемой: Платформа Ultralytics позволяет разработчикам визуально управлять наборами данных и обучать модели в облаке, а пакет для Python интегрируется с системами отслеживания экспериментов, такими как Weights & Biases, и поддерживает подбор гиперпараметров.

Пример кода: обучение#

В библиотеке Ultralytics достаточно изменить строку с названием модели, чтобы переключаться между этими архитектурами. Конвейер обучения автоматически выполняет аугментацию и масштабирование данных, а также настраивает оптимизатор.

from ultralytics import YOLO

# Для использования YOLOv5:
# model = YOLO("yolov5su.pt")

# Для использования YOLOv10:
model = YOLO("yolov10s.pt")

# Обучи модель на пользовательском датасете
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # Используй GPU 0
)

# Экспортируй обученную модель в формат ONNX
path = model.export(format="onnx")

Следующее поколение: Ultralytics YOLO26#

Если ты начинаешь новый проект в области машинного обучения, рассмотри новейшую Ultralytics YOLO26. Выпущенная в январе 2026 года, она объединяет ключевые инновации последних поколений YOLO.

В YOLO26 реализована сквозная архитектура без NMS из YOLOv10 в виде опциональной головы один-к-одному (nms=False), упрощающей развертывание. В YOLO26 также внесено несколько других улучшений:

  • До 43% более быстрый инференс на CPU: После удаления модуля Distribution Focal Loss (DFL) YOLO26n работает на стандартных CPU до 43% быстрее YOLO11n, поэтому YOLO26 хорошо подходит для развертывания на мобильных устройствах и маломощных датчиков IoT.
  • Оптимизатор MuSGD: Вдохновленная методами обучения больших языковых моделей (LLM), такими как Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает более стабильное обучение и быструю сходимость по сравнению со стандартными оптимизаторами SGD и AdamW, применявшимися в более ранних моделях YOLO.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом малых объектов улучшают распознавание небольших объектов, что особенно важно для изображений с дронов и задач обеспечения безопасности с воздуха.
  • Улучшения для отдельных задач: В отличие от YOLOv10, предназначенной только для детекции ограничивающих рамок, YOLO26 поддерживает детекцию, сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и OBB, а также улучшения для отдельных задач, такие как оценка остаточного логарифма правдоподобия (RLE) для позы и специализированная функция потерь угла для ориентированных ограничивающих рамок (OBB).
Узнай больше

Чтобы сравнить эти архитектуры с другими семействами детекторов, ознакомься со сравнениями YOLO11 и EfficientDet и RT-DETR и YOLOv8.

Используешь ли ты проверенную временем YOLOv5, YOLOv10 без NMS или новейшую YOLO26 — экосистема Ultralytics предоставляет инструменты, которые помогут быстро вывести приложения ИИ для компьютерного зрения в промышленную эксплуатацию.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.