YOLOv5 vs YOLO11: Подробное техническое сравнение

В быстро развивающейся области компьютерного зрения выбор правильной модели обнаружения объектов имеет решающее значение для успеха проекта. Двумя наиболее значительными вехами в этой области являются YOLOv5 и недавно выпущенная YOLO11. В то время как YOLOv5 установила легендарный стандарт простоты использования и скорости, YOLO11 расширяет границы точности и эффективности, используя многолетний опыт исследований и разработок.

В этом руководстве представлен подробный технический анализ этих двух архитектур, помогающий разработчикам, исследователям и инженерам принимать обоснованные решения для своих AI applications.

Ultralytics YOLOv5: Надежная рабочая лошадка

YOLOv5, выпущенная в 2020 году, произвела революцию в доступности detectирования объектов. Это была первая модель "You Only Look Once", реализованная изначально на PyTorch, что значительно упростило обучение и развертывание для разработчиков. Ее баланс скорости и точности сделал ее идеальным выбором для всего, от промышленного контроля до автономных транспортных средств.

Технические детали:

Авторы: Гленн Джокер
Организация:Ultralytics
Дата: 26.06.2020
GitHub:https://github.com/ultralytics/yolov5
Документация:https://docs.ultralytics.com/models/yolov5/

Ключевые особенности и архитектура

YOLOv5 использует архитектуру на основе якорей. Он представил основу CSPDarknet, которая значительно улучшила поток градиента и снизила вычислительные затраты по сравнению с предыдущими итерациями. Модель использует Path Aggregation Network (PANet) neck для увеличения потока информации и интегрирует Mosaic data augmentation во время обучения, метод, который стал стандартом для повышения устойчивости модели к небольшим объектам.

Сильные стороны

YOLOv5 известен своей стабильностью и зрелостью. Благодаря многолетнему тестированию сообществом, экосистема учебных пособий, сторонних интеграций и руководств по развертыванию очень обширна. Это отличный выбор для устаревших систем или периферийных устройств, где уже имеются специальные аппаратные оптимизации для его архитектуры.

Узнайте больше о YOLOv5

Ultralytics YOLO11: Современная эволюция

Запуск запланирован на конец 2024 года, YOLO11 представляет собой передовую технологию в области vision AI. Она основана на уроках, извлеченных из YOLOv5 и YOLOv8, чтобы предоставить модель, которая является более быстрой, более точной и более вычислительно эффективной.

Технические детали:

Авторы: Гленн Джохер, Цзин Цю
Организация:Ultralytics
Дата: 2024-09-27
GitHub:https://github.com/ultralytics/ultralytics
Документация:https://docs.ultralytics.com/models/yolo11/

Архитектура и ключевые особенности

YOLO11 представляет значительные архитектурные усовершенствования, включая блоки C3k2 и модули C2PSA (Cross-Stage Partial with Spatial Attention). В отличие от YOLOv5, YOLO11 использует anchor-free detection head, что упрощает процесс обучения, устраняя необходимость в ручном вычислении anchor box. Этот сдвиг в конструкции улучшает обобщение и позволяет модели лучше адаптироваться к различным наборам данных.

Непревзойденная универсальность

Одной из определяющих характеристик YOLO11 является встроенная поддержка нескольких задач компьютерного зрения в рамках единого фреймворка. В то время как YOLOv5 в основном ориентировалась на detect (с последующей поддержкой segment), YOLO11 изначально создавалась для решения следующих задач:

Эта универсальность позволяет разработчикам решать сложные задачи робототехники и анализа без переключения между фреймворками.

Узнайте больше о YOLO11

Сравнение производительности

Переход от YOLOv5 к YOLO11 дает существенный прирост производительности. Метрики показывают, что YOLO11 предлагает превосходный компромисс между скоростью и точностью.

Точность и эффективность

YOLO11 стабильно достигает более высокого Mean Average Precision (mAP) на наборе данных COCO по сравнению с моделями YOLOv5 аналогичного размера. Например, модель YOLO11m превосходит гораздо более крупную YOLOv5x по точности (51,5 против 50,7 mAP), работая при этом с меньшей частью параметров (20,1M против 97,2M). Это резкое уменьшение размера модели приводит к снижению требований к памяти во время обучения и выводов, что является критическим фактором для развертывания на периферийном AI оборудовании с ограниченными ресурсами.

Скорость инференса

Благодаря оптимизированным архитектурным решениям YOLO11 превосходно проявляет себя в скорости инференса на CPU. Модель YOLO11n создает новый эталон для приложений реального времени, показывая всего 56,1 мс на CPU с ONNX, что значительно быстрее, чем ее предшественник.

Эффективность памяти

Модели Ultralytics YOLO11 разработаны для оптимального использования памяти. По сравнению с детекторами на основе трансформеров, такими как RT-DETR, YOLO11 требует значительно меньше памяти CUDA во время обучения, что делает его доступным для разработчиков со стандартными потребительскими GPU.

Модель	размер ^{(пиксели)}	mAP^val 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

Обучение и опыт разработчика

Обе модели выигрывают от всеобъемлющей экосистемы Ultralytics, известной своей "простотой использования".

Простая интеграция

YOLO11 интегрирован в современный ultralytics Пакет Python, который объединяет все задачи под простым API. Это позволяет обучать, проверять и развертывать модели всего несколькими строками кода.

from ultralytics import YOLO

# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train on a custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Хотя YOLOv5 имеет свой собственный выделенный репозиторий, его также можно легко загрузить через PyTorch Hub или использовать в новой экосистеме для определенных задач. Надежная документация для обеих моделей гарантирует, что независимо от того, выполняете ли вы настройку гиперпараметров или экспортируете в OpenVINO, процесс будет оптимизирован.

Преимущества экосистемы

Выбор модели Ultralytics означает получение доступа к хорошо поддерживаемому набору инструментов. От интеграции с Comet для отслеживания экспериментов до бесшовного управления наборами данных, экосистема поддерживает весь жизненный цикл MLOps. Такая активная разработка гарантирует регулярную поставку патчей безопасности и улучшений производительности.

Идеальные варианты использования

Когда следует выбирать YOLOv5

Устаревшее оборудование (Legacy Hardware): Если у вас есть существующие edge-устройства (например, более старые Raspberry Pi) с конвейерами, специально оптимизированными для архитектуры YOLOv5.
Устоявшиеся рабочие процессы: Для проектов, находящихся в режиме глубокой поддержки, где обновление основной архитектуры модели повлечет за собой значительные затраты на рефакторинг.
Специфические оптимизации GPU: В редких случаях, когда конкретные движки TensorRT сильно настроены для точной структуры слоев YOLOv5.

Когда следует выбирать YOLO11

Новые разработки: Практически для всех новых проектов YOLO11 является рекомендуемой отправной точкой из-за превосходного соотношения точности и вычислительных затрат.
Приложения реального времени на CPU: Приложения, работающие на стандартных процессорах, таких как ноутбуки или облачные инстансы, получают огромную выгоду от оптимизации скорости CPU в YOLO11.
Сложные задачи: Проекты, требующие сегментацию экземпляров или оценку позы наряду с detect.
Требования к высокой точности: Такие области, как медицинская визуализация или анализ спутниковых изображений, где обнаружение небольших объектов с высокой точностью имеет первостепенное значение.

Заключение

YOLOv5 остается свидетельством эффективного и доступного дизайна ИИ, который за последние несколько лет обеспечил бесчисленные инновации. Однако YOLO11 представляет собой будущее. Благодаря своей передовой архитектуре без привязки к якорям, превосходным показателям mAP и расширенной универсальности, он предоставляет разработчикам более мощный набор инструментов для решения современных задач компьютерного зрения.

Принимая YOLO11, вы не только получаете лучшую производительность, но и обеспечиваете перспективность ваших приложений в рамках процветающей экосистемы Ultralytics.

Изучите другие модели

Если вам интересно сравнить эти архитектуры с другими ведущими моделями, изучите наши подробные сравнения: