YOLOv5 vs YOLOv10: Подробное техническое сравнение
Выбор подходящей модели обнаружения объектов — критически важное решение для любого проекта в области компьютерного зрения, поскольку оно напрямую влияет на производительность приложения, скорость и требования к ресурсам. На этой странице представлено углубленное техническое сравнение двух знаковых моделей: Ultralytics YOLOv5, признанного и широко используемого отраслевого стандарта, и YOLOv10, передовой модели, расширяющей границы эффективности в реальном времени. В этом анализе будут рассмотрены их архитектурные различия, показатели производительности и идеальные варианты использования, чтобы помочь вам сделать осознанный выбор.
Ultralytics YOLOv5: Устоявшийся и универсальный стандарт
Ultralytics YOLOv5 стал отраслевым эталоном, получив признание за исключительный баланс скорости, точности и беспрецедентную простоту использования. С момента выпуска он обеспечил работу бесчисленных приложений в различных секторах.
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
Разработанная на PyTorch, YOLOv5 имеет гибкую архитектуру с основой CSPDarknet53 и блоком PANet для надежной агрегации признаков. Ее основанный на якорях модуль обнаружения очень эффективен. Одной из ее определяющих характеристик является масштабируемость, предлагающая ряд размеров моделей (n, s, m, l, x) для удовлетворения различных вычислительных бюджетов и потребностей в производительности.
Сильные стороны
- Исключительная скорость и эффективность: YOLOv5 высоко оптимизирована для быстрого вывода, что делает ее отличным выбором для систем реального времени на оборудовании CPU и GPU.
- Простота использования: YOLOv5, известный своим оптимизированным пользовательским интерфейсом, простым Python API и обширной документацией, значительно снижает порог вхождения для разработки передовых решений в области компьютерного зрения.
- Развитая экосистема: Как модель Ultralytics, она выигрывает от большого, активного сообщества, частых обновлений и бесшовной интеграции с такими инструментами, как Ultralytics HUB для обучения и развертывания без кода.
- Универсальность: YOLOv5 предназначен не только для обнаружения объектов; он также поддерживает сегментацию экземпляров и классификацию изображений, что делает его универсальным инструментом для различных задач компьютерного зрения.
- Эффективность обучения: Модель предлагает эффективные процессы обучения с готовыми предварительно обученными весами и, как правило, требует меньше памяти для обучения по сравнению с более сложными архитектурами.
Слабые стороны
- Детектирование на основе Anchor: Его опора на предопределенные anchor boxes иногда может потребовать дополнительной настройки для достижения оптимальной производительности на наборах данных с нетрадиционными формами или размерами объектов, по сравнению с современными детекторами без anchor.
- Точность по сравнению с новыми моделями: Несмотря на высокую точность, новые архитектуры, такие как YOLOv10, превзошли ее по mAP на стандартных бенчмарках, таких как COCO.
Случаи использования
Универсальность и эффективность YOLOv5 делают его надежной рабочей лошадкой для множества приложений:
- Edge Computing: Его уменьшенные варианты идеально подходят для развертывания на устройствах с ограниченными ресурсами, таких как Raspberry Pi и NVIDIA Jetson.
- Промышленная автоматизация: Широко используется для контроля качества и автоматизации процессов в производстве.
- Безопасность и видеонаблюдение: Обеспечивает мониторинг в реальном времени в системах безопасности и приложениях общественной безопасности.
- Быстрое прототипирование: Простота использования делает его идеальным для быстрой разработки и тестирования новых идей.
YOLOv10: Передовой детектор реального времени
YOLOv10 представляет собой большой шаг вперед в обнаружении объектов в реальном времени, уделяя особое внимание созданию действительно сквозного эффективного конвейера за счет устранения необходимости в Non-Maximum Suppression (NMS).
Технические детали:
- Авторы: Ao Wang, Hui Chen, Lihao Liu, и др.
- Организация: Tsinghua University
- Дата: 2024-05-23
- Arxiv: https://arxiv.org/abs/2405.14458
- GitHub: https://github.com/THU-MIG/yolov10
- Документация: https://docs.ultralytics.com/models/yolov10/
Архитектура и ключевые особенности
Основным нововведением YOLOv10 является стратегия обучения без NMS, которая использует согласованные двойные назначения для разрешения конфликтующих прогнозов во время обучения. Как подробно описано в его статье arXiv, это устраняет этап постобработки NMS, который традиционно был узким местом, увеличивающим задержку вывода. Кроме того, YOLOv10 использует целостный подход к проектированию модели, ориентированный на эффективность и точность, оптимизируя такие компоненты, как магистральная сеть и промежуточный слой, для уменьшения вычислительной избыточности при одновременном повышении возможностей обнаружения.
Анализ и сравнение производительности
YOLOv10 устанавливает новый современный эталон компромисса между скоростью и точностью. Таблица ниже показывает, что модели YOLOv10 стабильно достигают более высокой точности с меньшим количеством параметров и FLOPs по сравнению со своими аналогами YOLOv5. Например, YOLOv10-M превосходит YOLOv5-x по mAP, имея почти в 6 раз меньше параметров и в 4 раза меньше FLOPs. Эта замечательная эффективность делает его мощным конкурентом для современных приложений.
| 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 |
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
Сильные стороны
- Превосходная скорость и эффективность: Конструкция без NMS обеспечивает значительное увеличение скорости во время вывода, что критически важно для приложений с требованиями к сверхнизкой задержке.
- Высокая точность при меньшем количестве параметров: Достигает современной точности при меньших размерах модели, что делает ее очень подходящей для развертывания в средах с ограниченными ресурсами.
- End-to-End Deployment: Благодаря удалению NMS, YOLOv10 упрощает конвейер развертывания, делая его по-настоящему сквозным.
- Интеграция в экосистему Ultralytics: YOLOv10 полностью интегрирована в экосистему Ultralytics, обеспечивая такую же простоту использования, обширную документацию и поддержку, как и другие модели Ultralytics.
Слабые стороны
- Более новая модель: Будучи недавно выпущенной моделью, ее поддержка сообщества и инструментов сторонних разработчиков все еще растет по сравнению с обширной экосистемой, окружающей YOLOv5.
- Специализация по задачам: YOLOv10 в основном ориентирован на обнаружение объектов. Для проектов, требующих единой модели для нескольких задач, таких как сегментация и оценка позы, больше подойдут такие модели, как YOLOv8.
Случаи использования
YOLOv10 превосходно подходит для приложений, где важна каждая миллисекунда и каждый параметр:
- Высокоскоростная робототехника: Обеспечивает визуальную обработку в реальном времени для роботов, работающих в динамичных и сложных средах.
- Передовые системы помощи водителю (ADAS): Обеспечивает быстрое обнаружение объектов для повышения безопасности дорожного движения, что является ключевым компонентом в ИИ для самоуправляемых автомобилей.
- Видеоаналитика в реальном времени: Обрабатывает видео с высокой частотой кадров для получения немедленных результатов, что полезно в таких приложениях, как управление дорожным движением.
Заключение
И YOLOv5, и YOLO10 — исключительные модели, но они служат разным потребностям.
Ultralytics YOLOv5 остается лучшим выбором для разработчиков, которым нужна зрелая, надежная и универсальная модель. Простота использования, обширная документация и сильная поддержка сообщества делают ее идеальной для быстрой разработки и развертывания в широком спектре приложений. Ее баланс скорости и точности был доказан в бесчисленных реальных сценариях.
YOLOv10 — это будущее обнаружения объектов в реальном времени. Ее инновационная архитектура без NMS обеспечивает беспрецедентную эффективность, что делает ее идеальным решением для приложений, критичных к задержкам, и развертывания на edge-устройствах. Несмотря на то, что она новее, ее интеграция в экосистему Ultralytics обеспечивает удобство работы.
Тем, кто изучает другие современные варианты, стоит рассмотреть другие модели, такие как YOLOv8, YOLOv9 и новейшая YOLO11, которые продолжают развиваться на прочном фундаменте архитектуры YOLO.
