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:

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

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:

• 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 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.

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:

• YOLO11 против YOLOv8
• YOLOv8 против YOLOv5
• YOLO11 против YOLOv10
• YOLOv5 против YOLOv7
• RT-DETR против YOLOv5

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии