Перейти к содержанию

YOLOv5 vs YOLO11: Техническое сравнение

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое уравновешивает потребность в точности, скорости и эффективности использования ресурсов. На этой странице представлено подробное техническое сравнение двух знаковых моделей от Ultralytics: широко используемой Ultralytics YOLOv5 и современной Ultralytics YOLO11. В то время как YOLOv5 установила отраслевой стандарт производительности и простоты использования, YOLO11 представляет собой следующую эволюцию, предлагая превосходную точность, большую универсальность и повышенную эффективность в рамках той же мощной экосистемы Ultralytics.

Ultralytics YOLOv5: Устоявшийся отраслевой стандарт

Выпущенная в 2020 году, YOLOv5 быстро стала одной из самых популярных моделей обнаружения объектов в мире. Ее репутация основана на исключительном сочетании скорости, надежности и удобства использования, что делает ее оптимальным выбором для бесчисленного множества разработчиков и исследователей.

Технические детали:

Архитектура и ключевые особенности

YOLOv5 построен на PyTorch и имеет бэкбон CSPDarknet53 в сочетании с neck PANet для эффективного агрегирования признаков. Его архитектура обладает высокой масштабируемостью, предлагая ряд моделей от маленькой и быстрой YOLOv5n до большой и точной YOLOv5x. Ключевой характеристикой YOLOv5 является его head обнаружения на основе anchor-ов, который был очень эффективен на момент его выпуска.

Сильные стороны

  • Исключительная скорость инференса: YOLOv5 высоко оптимизирована для быстрого инференса, что делает ее надежным выбором для приложений реального времени, особенно на оборудовании GPU.
  • Развитая экосистема: Как хорошо зарекомендовавшая себя модель, YOLOv5 выигрывает от огромного сообщества, обширных учебных пособий и широкой поддержки третьих сторон. Она проверена в многочисленных производственных средах.
  • Простота использования: YOLOv5, известный своим простым API и всесторонней документацией, позволяет быстро создавать прототипы и развертывать их. Модель легко интегрируется в экосистему Ultralytics, включая Ultralytics HUB для обучения без кода.
  • Эффективность обучения: YOLOv5 предлагает эффективный процесс обучения с готовыми предварительно обученными весами, что обеспечивает эффективное трансферное обучение и более быстрые циклы разработки.

Слабые стороны

  • Детектирование на основе Anchor: Его опора на предопределенные anchor boxes иногда может потребовать тщательной настройки для наборов данных с объектами необычной формы, ограничение, которое устраняется в новых детекторах без anchor.
  • Потолок точности: Хотя он все еще очень точен, его производительность в бенчмарках, таких как COCO, была превзойдена более новыми архитектурами, такими как YOLO11.

Идеальные варианты использования

YOLOv5 остается отличным выбором для приложений, где скорость и стабильность имеют первостепенное значение:

  • Edge Computing: Его уменьшенные варианты идеально подходят для развертывания на устройствах с ограниченными ресурсами, таких как Raspberry Pi и NVIDIA Jetson.
  • Наблюдение в реальном времени: Обеспечение работы систем безопасности и приложений мониторинга, требующих высокой частоты кадров.
  • Промышленная автоматизация: Используется для контроля качества и автоматизации процессов в производственной среде.

Узнайте больше о YOLOv5

Ultralytics YOLO11: Следующая ступень эволюции в области Vision AI

YOLO11 — это новейшая современная модель от Ultralytics, разработанная для расширения границ возможного в компьютерном зрении. Она опирается на успехи своих предшественников, включая YOLOv8, чтобы обеспечить значительные улучшения в точности, скорости и универсальности.

Технические детали:

Архитектура и ключевые особенности

YOLO11 представляет усовершенствованную архитектуру сети с расширенными возможностями извлечения признаков и оптимизированной конструкцией. Основным достижением является его anchor-free detection head, который улучшает обобщение и упрощает процесс обучения. Эта современная конструкция позволяет YOLO11 достигать более высокой точности с более эффективным использованием параметров, что приводит к более высокой скорости инференса и снижению вычислительных требований.

Сильные стороны

  • Передовая производительность: YOLO11 устанавливает новый стандарт точности, достигая более высоких показателей mAP, чем YOLOv5, для всех размеров моделей.
  • Расширенная универсальность: YOLO11 — это настоящая многозадачная платформа, поддерживающая обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB) в рамках единой унифицированной модели.
  • Превосходная эффективность: Модель очень эффективна, предлагая лучшее соотношение скорости и точности. Примечательно, что она демонстрирует значительно более быстрый вывод на CPU по сравнению с YOLOv5, что делает ее доступной для более широкого спектра оборудования. Она также требует меньше памяти для обучения и вывода, чем многие другие архитектуры.
  • Оптимизированный пользовательский интерфейс: Как часть экосистемы Ultralytics, YOLO11 сохраняет ту же приверженность простоте использования с помощью простого Python API, мощного CLI и обширной документации.

Слабые стороны

  • Вычислительные требования для больших моделей: Несмотря на высокую эффективность, самые большие модели YOLO11 (например, YOLO11x) по-прежнему требуют значительных вычислительных ресурсов для достижения максимальной точности.
  • Развивающиеся интеграции: Будучи более новой моделью, экосистема сторонних инструментов и интеграций быстро растет, но может быть еще не такой обширной, как у давно зарекомендовавшей себя YOLOv5.

Идеальные варианты использования

YOLO11 — идеальный выбор для новых проектов, требующих высочайшего уровня точности и гибкости:

  • Продвинутая робототехника: Обеспечение точного взаимодействия с объектами и навигации в сложных, динамических средах.
  • Здравоохранение и медицинская визуализация: Поддержка таких задач, как обнаружение опухолей, где высокая точность имеет решающее значение.
  • Умные города: Обеспечение работы сложных систем управления трафиком и общественной безопасности.
  • Аналитика розничной торговли: Улучшение управления запасами и анализа поведения клиентов с большей точностью.

Узнайте больше о YOLO11

Прямое сравнение производительности: YOLOv5 против YOLO11

Метрики производительности наглядно иллюстрируют улучшения, внесенные в YOLO11. В целом, модели YOLO11 обеспечивают значительный прирост mAP, сохраняя или даже улучшая скорость инференса. Например, YOLO11s достигает 47.0 mAP, что сопоставимо с YOLOv5l, но с гораздо меньшим количеством параметров и значительно более быстрым инференсом на CPU. Аналогично, YOLO11m превосходит YOLOv5x по точности (51.5 против 50.7 mAP), будучи при этом более чем в 4 раза быстрее на CPU.

Модель размер
(пиксели)
mAPval
50-95
Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9

Заключение: какую модель вам следует выбрать?

Несмотря на то, что YOLOv5 остается надежной и проверенной моделью, YOLO11 является ее очевидным преемником и рекомендуемым выбором практически для всех новых проектов. Она предлагает значительный скачок в производительности, обеспечивая более высокую точность, большую универсальность задач и повышенную эффективность, не жертвуя при этом простотой использования, которая сделала ее предшественников такими популярными.

  • Выбирайте YOLOv5, если вы работаете над устаревшим проектом, в котором он уже используется, или если ваше основное ограничение — развертывание на оборудовании, где его конкретные оптимизации скорости GPU обеспечивают критическое преимущество.

  • Выбирайте YOLO11 для любого нового приложения. Его превосходная точность, безанкорная конструкция, многозадачные возможности и отличная производительность как на CPU, так и на GPU делают его более мощным, гибким и перспективным решением.

Обе модели поддерживаются надежной экосистемой Ultralytics, обеспечивающей плавную разработку с отличной поддержкой и документацией.

Изучите другие сравнения моделей

Если вам интересно, как эти модели соотносятся с другими ведущими архитектурами, ознакомьтесь с другими страницами сравнения:



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии