YOLOv5 против YOLOv10#

Область компьютерного зрения в реальном времени за последние несколько лет продемонстрировала экспоненциальный рост, причем различные архитектуры расширяют границы возможного на современном оборудовании. При оценке передовых архитектур сравнение между YOLOv5 и YOLOv10 подчеркивает значительный эволюционный шаг в области детектирования объектов. В этом техническом обзоре рассматриваются их архитектурные парадигмы, компромиссы в производительности и то, как разработчики могут использовать эти инструменты в производственных средах.

Глубокое изучение архитектуры#

Понимание структурных различий между этими моделями критически важно для их эффективного развертывания в реальных задачах.

Ultralytics YOLOv5: отраслевой стандарт#

Представленная компанией Ultralytics, модель YOLOv5 давно признана за непревзойденный баланс скорости, точности и доступности.

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 26.06.2020
• GitHub: Репозиторий YOLOv5
• Документация: Документация YOLOv5

Узнай больше о YOLOv5

YOLOv5 полагается на механизм детектирования на основе анкеров в сочетании с глубоко оптимизированным бэкбоном CSPDarknet. Эта архитектура сильно зависит от стандартных операций, поддерживаемых практически во всех движках инференса, что делает ее невероятно универсальной. Ее главная сила заключается в Ultralytics Python SDK, который обеспечивает удобный интерфейс пользователя, простой API и обширную документацию. Кроме того, более низкие требования YOLOv5 к памяти по сравнению с моделями на основе Transformer означают, что она быстро обучается на потребительских GPU без больших затрат VRAM.

YOLOv10: развитие парадигмы#

Разработанная исследователями из Университета Цинхуа, модель YOLOv10 нацелена на устранение специфических «узких мест» задержки, обнаруженных в предыдущих архитектурах.

• Авторы: Ао Ван, Хуэй Чен, Лихао Лю и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• ArXiv: 2405.14458
• GitHub: Репозиторий YOLOv10
• Документация: Документация YOLOv10

Узнай больше о YOLOv10

Определяющей характеристикой YOLOv10 является ее изначально дизайн без NMS (Non-Maximum Suppression). Используя согласованные двойные назначения во время обучения, модель исключает необходимость пост-обработки NMS во время инференса. Это теоретическое сокращение задержки весьма полезно для развертывания на высокопроизводительном оборудовании с мощным ускорением NVIDIA TensorRT, хотя оно может создавать структурную сложность для периферийных устройств.

Анализ производительности#

При сравнении этих моделей баланс между точностью (mAP) и вычислительными затратами (задержка и параметры) определяет лучший вариант использования. Ниже приведено сравнение технической производительности на наборе данных COCO.

YOLOv10 явно достигает более высокого mAP50-95 в эквивалентных масштабах размеров, используя свой современный дизайн модели, ориентированный на эффективность и точность. Тем не менее, YOLOv5 сохраняет невероятно конкурентоспособную задержку, особенно на уровнях Nano и Small, что делает ее крайне надежной для ограниченных встроенных сред, таких как линейка NVIDIA Jetson или стандартные CPU через OpenVINO.

Методологии обучения и экосистема#

Ценность модели тесно связана с окружающей ее экосистемой. Ultralytics поддерживает исключительно ухоженную экосистему, которая поддерживает невероятно широкий спектр задач. В то время как YOLOv10 фокусируется исключительно на двумерном детектировании объектов, Ultralytics изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Более того, обучение модели Ultralytics требует значительно меньших затрат памяти, чем конкурирующие методы на базе Transformer, что позволяет сохранять цикл разработки быстрым и экономически эффективным.

Бесшовное выполнение кода#

Обучение, валидация и экспорт моделей объединены под общим API. Ты можешь переключаться между моделями, просто меняя строку.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model for baseline testing
model_v5 = YOLO("yolov5s.pt")

# Load a YOLOv10 model for comparison
model_v10 = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset efficiently
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes PyTorch CUDA acceleration
    batch=16,
)

# Export to ONNX for CPU inference deployment
model_v5.export(format="onnx", simplify=True)

Сценарии использования и рекомендации#

Выбор между YOLOv5 и YOLOv10 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

• Проверенных производственных систем: существующих развертываний, где ценятся долгая история стабильности YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения с ограниченными ресурсами: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти являются преимуществом.
• Широкая поддержка форматов экспорта: Проекты, требующие развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.

Когда стоит выбрать YOLOv10#

YOLOv10 рекомендуется для:

• Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
• Приложения с постоянной задержкой: Сценарии развертывания, где предсказуемое время вывода критически важно, например, в robotics или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Будущее: Ultralytics YOLO26#

В то время как YOLOv5 произвела революцию в доступности, а YOLOv10 расширила границы архитектуры без NMS, состояние технологий продолжает развиваться. Для новых проектов мы настоятельно рекомендуем передовую Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 объединяет надежность экосистемы Ultralytics с революционными достижениями:

• Сквозной дизайн без NMS: Включая парадигму без NMS непосредственно в фреймворк Ultralytics, YOLO26 упрощает развертывание и гарантирует более низкую задержку.
• До 43% быстрее вывод на CPU: Благодаря удалению Distribution Focal Loss (DFL), YOLO26 работает заметно быстрее на периферийных устройствах без GPU.
• Оптимизатор MuSGD: Вдохновленный инновациями в обучении LLM от Moonshot AI, оптимизатор MuSGD обеспечивает беспрецедентную стабильность и быструю сходимость.
• ProgLoss + STAL: Эти новые функции потерь радикально улучшают распознавание мелких объектов, что жизненно важно для таких областей, как изображения с дронов и робототехника.

Ты можешь управлять, обучать и развертывать YOLO26 напрямую через Ultralytics Platform.

Заключение#

Выбор между YOLOv5 и YOLOv10 часто сводится к конкретным ограничениям проекта. YOLOv10 предлагает отличный mAP для исследователей и приложений, использующих высокую пропускную способность GPU. Напротив, YOLOv5 остается надежной и высокосовместимой «рабочей лошадкой» для стандартных развертываний.

Тем не менее, область компьютерного зрения динамична. Чтобы использовать наилучший баланс производительности, универсальности и простоты использования, разработчикам следует обратить внимание на Ultralytics YOLO26. Она воплощает скорость инференса без NMS вместе с надежной и хорошо документированной экосистемой Ultralytics, гарантируя, что твои решения на базе AI видения будут актуальны в будущем. Для специализированных вариантов использования разработчики могут также изучить YOLO11 для общей надежности или RT-DETR для точности на основе Transformer.