YOLOv5 vs YOLO11: Подробное техническое сравнение

При выборе подходящей архитектуры компьютерного зрения для нового проекта крайне важно понимать эволюцию современных моделей. Прогресс от ранних архитектур к современным унифицированным фреймворкам подчеркивает значительные скачки как в алгоритмической эффективности, так и в опыте разработчиков. Это руководство предоставляет углубленное техническое сравнение двух знаковых моделей, разработанных Ultralytics: новаторской YOLOv5 и высокоразвитой YOLO11.

Введение в модели

Обе эти архитектуры представляют собой значимые вехи в области обнаружения объектов в реальном времени, предлагая различные преимущества в зависимости от вашей среды развертывания и требований к унаследованным системам.

YOLOv5: Рабочая лошадка индустрии

Выпущенный летом 2020 года, YOLOv5 быстро стал отраслевым стандартом благодаря своей нативной реализации на PyTorch, что значительно снизило порог входа для обучения и развертывания. Он отошел от сложных C-фреймворков Darknet своих предшественников, предложив «питонический» подход к созданию моделей.

• Авторы: Гленн Джокер
• Организация:Ultralytics
• Дата: 2020-06-26
• GitHub:ultralytics/yolov5
• Документация:Документация YOLOv5

YOLOv5 установил прочную основу для простоты использования и представил мощные методологии обучения, включая продвинутую мозаичную аугментацию данных и авто-анкеринг. Он остается невероятно популярным среди исследователей, строящих свои работы на хорошо документированной и тщательно протестированной кодовой базе.

Узнайте больше о YOLOv5

YOLO11: Единая платформа для компьютерного зрения

Основываясь на многолетних отзывах и архитектурных исследованиях, YOLO11 был представлен как часть унифицированного фреймворка, способного нативно обрабатывать несколько задач компьютерного зрения. Выходя за рамки просто ограничивающих рамок, он был разработан с нуля для максимальной универсальности и эффективности.

• Авторы: Гленн Джочер и Цзин Цю
• Организация:Ultralytics
• Дата: 2024-09-27
• GitHub:ultralytics/ultralytics
• Документация:Документация YOLO11

YOLO11 предлагает оптимизированный пользовательский опыт через ultralytics Пакет python, обладающий простым API, который унифицирует обнаружения объектов, instance segmentation, классификацию, оценку позы и ориентированные ограничивающие рамки (OBB). Он обеспечивает очень выгодный компромисс между скоростью и точностью, что делает его идеальным для различных сценариев развертывания в реальном мире.

Узнайте больше о YOLO11

Сравнение производительности и метрик

Прямое сравнение этих моделей показывает, как архитектурные усовершенствования приводят к ощутимым приростам производительности. В таблице ниже показана средняя точность (mAP), оцененная на наборе данных COCO, наряду со скоростью инференса на CPU и GPU и количеством параметров.

Анализ результатов

Метрики подчеркивают явный скачок в балансе производительности, достигнутом YOLO11. Например, модель YOLO11n (nano) достигает 39.5% mAP по сравнению с 28.0% у YOLOv5n, одновременно сокращая время вывода на CPU при экспорте через ONNX. Кроме того, YOLO11 поддерживает значительно более низкие требования к памяти во время обучения по сравнению с тяжелыми моделями на основе трансформеров, что делает ее очень доступной для развертывания на потребительском оборудовании и периферийных устройствах.

Архитектурные различия

Улучшения производительности в YOLO11 обусловлены несколькими ключевыми архитектурными эволюциями. В то время как YOLOv5 использовал стандартный backbone CSPNet с модулями C3, YOLO11 представил более эффективные блоки извлечения признаков, такие как C2f, а затем C3k2, которые оптимизируют поток градиентов и снижают вычислительные издержки.

YOLO11 также имеет значительно усовершенствованную голову. Отходя от якорного дизайна старых моделей, новые архитектуры Ultralytics используют безякорный подход. Это уменьшает количество предсказаний ограничивающих рамок, оптимизирует конвейер постобработки и улучшает способность модели к обобщению на различных масштабах и соотношениях сторон. Кроме того, эти модели отличаются превосходной эффективностью обучения и легкодоступными предварительно обученными весами, которые ускоряют сходимость тонко настроенных наборов данных.

Примеры реализации и кода

Одной из выдающихся особенностей экосистемы Ultralytics является ее простота. В то время как YOLOv5 популяризировал использование torch.hub для быстрого вывода YOLO11 делает шаг вперед с унифицированным ultralytics пакет python.

Обучение с YOLO11

Загрузка, обучение и валидация модели требуют минимального шаблонного кода. API обеспечивает бесшовную настройку гиперпараметров и управление моделями.

from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11s.pt")

# Train on a custom dataset for 50 epochs
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run fast inference and display results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

# Easily export the model to TensorRT for hardware acceleration
model.export(format="engine")

Устаревший вывод с YOLOv5

Если вы поддерживаете старый конвейер, YOLOv5 напрямую интегрируется с собственным механизмом загрузки PyTorch, что делает его легким для включения в существующие скрипты инференса.

import torch

# Load a custom or pretrained YOLOv5 model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference on an image URL
results = model("https://ultralytics.com/images/zidane.jpg")

# Print prediction details to the console
results.print()

Идеальные варианты использования

Выбор между этими моделями во многом зависит от стадии жизненного цикла вашего проекта и специфических требований.

Когда выбирать YOLOv5

• Поддержка устаревших кодовых баз: Если ваша производственная среда сильно настроена вокруг структуры репозитория YOLOv5 или конкретных методов эволюции гиперпараметров.
• Academic Baselines: При публикации исследований, требующих прямого сравнения с устоявшимися стандартами компьютерного зрения 2020-2022 годов.

Когда следует выбирать YOLO11

• Многозадачные проекты: Когда ваше приложение требует сочетания задач, таких как оценка позы и сегментация экземпляров, с использованием единого унифицированного API.
• Развертывание на периферийных устройствах: Для сценариев периферийных вычислений, где критически важно достичь максимального mAP при заданном вычислительном бюджете (FLOPs).
• Коммерческие решения на базе ИИ: Идеально подходит для корпоративных приложений в розничной торговле и безопасности, используя надежную поддержку Ultralytics Platform.

Следующее поколение: Ultralytics YOLO26

Хотя YOLO11 представляет собой фантастический баланс скорости и точности, область искусственного интеллекта быстро развивается. Для разработчиков, начинающих новые проекты сегодня, мы настоятельно рекомендуем изучить новейший стандарт в области визуального ИИ: Ultralytics YOLO26.

Выпущенный в январе 2026 года, YOLO26 представляет прорывные достижения, меняющие парадигму, разработанные специально для современных требований развертывания:

• Сквозная архитектура без NMS: Основываясь на концепциях, впервые примененных в YOLOv10, YOLO26 изначально является сквозной. Это устраняет необходимость в постобработке Non-Maximum Suppression (NMS), значительно упрощая конвейеры развертывания и сокращая задержку.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM, такими как Kimi K2 от Moonshot AI, этот гибрид SGD и Muon обеспечивает невероятно стабильное обучение и значительно более быструю сходимость.
• Беспрецедентная скорость CPU: Удаление Distribution Focal Loss (DFL) позволяет YOLO26 достигать до 43% более быстрого инференса на CPU, что делает его лучшим выбором для граничных устройств и сред без выделенных GPU.
• Расширенные функции потерь: Интеграция ProgLoss и STAL обеспечивает заметные улучшения в распознавании мелких объектов, что критически важно для аналитики дронов, IoT и робототехники.
• Специализированные улучшения: Он представляет специализированные оптимизации, такие как оценка остаточного логарифмического правдоподобия (RLE) для оценки позы и специализированная угловая функция потерь для ориентированных ограничивающих рамок, обеспечивая превосходную производительность во всех задачах компьютерного зрения.

Узнайте больше о YOLO26

Для пользователей, заинтересованных в специализированных архитектурах, выходящих за рамки стандартного обнаружения объектов, вы можете также изучить такие модели, как RT-DETR для обнаружения на основе трансформеров, или YOLO-World для отслеживания и обнаружения с открытым словарем. Использование этих хорошо поддерживаемых, высокооптимизированных инструментов гарантирует, что ваши конвейеры компьютерного зрения останутся эффективными, масштабируемыми и опережающими время.

Комментарии