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.
- Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
- Организация: Университет Цинхуа
- Дата: 2024-05-23
- Научная статья: arXiv:2405.14458
- Исходный код: Репозиторий YOLOv10 на GitHub
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.
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.
- Автор: Glenn Jocher
- Организация: Ultralytics
- Дата: 2020-06-26
- Исходный код: Репозиторий YOLOv5 на GitHub
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
Технический анализ#
- 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.
- 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.
- 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.
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).
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.