YOLOv10 против YOLOv5: Всестороннее техническое сравнение

Выбор правильной архитектуры нейронной сети критически важен для успешного развертывания конвейеров компьютерного зрения в производстве. Эта страница содержит углубленный технический анализ, сравнивающий YOLOv10 и YOLOv5 — две весьма влиятельные модели в эволюции обнаружения объектов в реальном времени. Хотя обе модели оказали значительное влияние на сообщество ИИ, они представляют разные эпохи и философии в проектировании архитектур глубокого обучения.

Это руководство оценивает эти архитектуры на основе средней точности (mAP), задержки инференса, эффективности параметров и поддержки экосистемы, помогая вам выбрать лучшую модель для ваших потребностей развертывания.

Обзоры моделей

YOLOv10: Обнаружение объектов в реальном времени End-to-End

Разработанный исследователями Университета Цинхуа, YOLOv10 представил новый подход к обнаружению объектов, устранив необходимость в постобработке.

• 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

Определяющим прорывом YOLOv10 является ее сквозная безальтернативная NMS-архитектура. Исторически модели YOLO полагались на подавление немаксимумов (NMS) для отфильтровывания избыточных ограничивающих рамок. YOLOv10 использует согласованные двойные назначения для обучения без NMS, что значительно снижает изменчивость задержки инференса и упрощает логику развертывания. Кроме того, архитектура отличается целостным дизайном, ориентированным на эффективность и точность, который тщательно оптимизирует различные компоненты для снижения вычислительной избыточности.

Узнайте больше о YOLOv10

YOLOv5: Отраслевой стандарт удобства использования.

Выпущенный вскоре после создания репозитория Ultralytics PyTorch, YOLOv5 переопределил ожидания разработчиков от фреймворка компьютерного зрения с открытым исходным кодом. Он остается одной из наиболее широко используемых архитектур в мире.

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

YOLOv5 ценится за свою простоту использования и хорошо поддерживаемую экосистему. Полностью написанный на PyTorch, он предлагает бесшовный путь «от новичка до эксперта» с поддержкой «из коробки» для обучения, валидации и экспорта в такие форматы, как ONNX и TensorRT. В отличие от YOLOv10, который фокусируется в основном на чистом detect объектов, YOLOv5 демонстрирует исключительную универсальность, поддерживая instance segmentation и классификацию изображений в рамках того же унифицированного Python API.

Узнайте больше о YOLOv5

Сравнение производительности и метрик

Визуализация взаимосвязи между скоростью и точностью необходима для выявления моделей, которые обеспечивают наилучшую точность при заданном ограничении скорости. Понимание этих метрик производительности имеет основополагающее значение для выбора модели, соответствующей вашим конкретным аппаратным ограничениям.

Технический анализ

1. Точность (mAP): YOLOv10 демонстрирует явное преимущество в точности по сравнению с предыдущими поколениями. 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 усовершенствованиями, представленными в 2024 году.
2. Задержка инференса: Хотя модели YOLOv5 исключительно быстры в необработанных тестах T4 TensorRT (например, YOLOv5n с задержкой 1.12 мс), YOLOv10 полностью исключает этап постобработки NMS. В сквозных практических развертываниях без NMS-дизайн YOLOv10 обеспечивает более стабильную и детерминированную задержку, что критически важно для приложений реального времени, таких как автономные транспортные средства и робототехника.
3. Эффективность по параметрам: Модели YOLOv10 поддерживают высококонкурентный баланс производительности. YOLOv10-S достигает 46.7% mAP всего с 7.2 млн параметров, в то время как YOLOv5s достигает 37.4% mAP с 9.1 млн параметров.

Сценарии использования и рекомендации

Выбор между YOLOv10 и YOLOv5 зависит от конкретных требований вашего проекта, ограничений развертывания и предпочтений экосистемы.

Когда выбирать YOLOv10

YOLOv10 — отличный выбор для:

• Обнаружение в реальном времени без NMS: Приложения, выигрывающие от сквозного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированный компромисс между скоростью и точностью: Проекты, требующие оптимального баланса между скоростью инференса и точностью обнаружения для моделей различных масштабов.
• Приложения с предсказуемой задержкой: Сценарии развертывания, где критически важны предсказуемые времена инференса, например, в робототехнике или автономных системах.

Когда выбирать YOLOv5

YOLOv5 рекомендуется для:

• Проверенные производственные системы: Существующие развертывания, где ценятся долгий track-рекорд стабильности YOLOv5, обширная документация и массивная поддержка сообщества.
• Обучение с ограниченными ресурсами: Среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и низкие требования к памяти являются преимуществом.
• Обширная поддержка форматов экспорта: Проекты, требующие развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.

Когда выбирать Ultralytics (YOLO26)

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчиков:

• Развертывание на периферии без NMS: Приложения, требующие стабильного вывода с низкой задержкой без сложности постобработки методом Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного ускорения GPU, где до 43% более быстрая инференция YOLO26 на CPU обеспечивает решающее преимущество.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэрофотосъемка с дронов или анализ данных с IoT-датчиков, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Преимущество Ultralytics

Хотя YOLOv10 предлагает отличные возможности обнаружения, использование академических репозиториев иногда может усложнять производственные конвейеры. Используя официальный пакет Ultralytics Python, вы получаете доступ к унифицированной экосистеме, которая поддерживает как YOLOv5, так и YOLOv10, а также расширенные функции.

• Эффективность обучения: Архитектуры Ultralytics YOLO глубоко оптимизированы для более низких требований к памяти во время обучения. В отличие от тяжелых моделей-трансформеров (таких как RT-DETR), которые требуют огромного объема памяти CUDA, вы можете комфортно 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.

Пример 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")

Следующее поколение: Ultralytics YOLO26

Если вы начинаете новый проект в области машинного обучения сегодня, мы настоятельно рекомендуем оценить новейшую версию Ultralytics YOLO26. Выпущенная в январе 2026 года, она представляет собой абсолютное воплощение передовых технологий, объединяя лучшие инновации последних пяти лет.

YOLO26 изначально включает сквозную NMS-Free архитектуру, впервые примененную в YOLOv10, обеспечивая быстрое, детерминированное развертывание. Кроме того, YOLO26 представляет несколько критически важных прорывов:

• До 43% более быстрая инференция на CPU: За счет удаления модуля Distribution Focal Loss (DFL), YOLO26 достигает значительного ускорения на стандартных CPU, что делает его лучшим выбором для мобильного развертывания и маломощных IoT-датчиков.
• 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 процессы обучения и значительно ускоренную сходимость по сравнению с оптимизаторами AdamW, используемыми в YOLOv10.
• ProgLoss + STAL: Эти передовые функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, что критически важно для изображений с дронов и приложений для обеспечения безопасности с воздуха.
• Мастерство в конкретных задачах: В то время как YOLOv10 является строго детектором ограничивающих рамок, YOLO26 предлагает специализированные архитектурные улучшения для всех задач, включая оценку остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированные угловые функции потерь для ориентированных ограничивающих рамок (OBB).

Независимо от того, полагаетесь ли вы на надежное наследие YOLOv5, инновацию YOLOv10 без NMS или беспрецедентную передовую производительность YOLO26, экосистема Ultralytics предоставляет необходимые инструменты для быстрого и эффективного воплощения ваших приложений ИИ для зрения.

Комментарии