Начать

YOLOv5 и YOLOv10

За последние несколько лет область компьютерного зрения реального времени быстро развивалась: разные архитектуры расширяли возможности современного оборудования. При оценке передовых архитектур сравнение YOLOv5 и YOLOv10 демонстрирует значительный шаг вперёд в развитии детекции объектов. В этом техническом сравнении рассматриваются архитектурные подходы, компромиссы между характеристиками и способы применения этих инструментов в промышленной среде.

Подробный разбор архитектуры#

Чтобы эффективно развёртывать эти модели в реальных условиях, важно понимать структурные различия между ними.

Ultralytics YOLOv5: отраслевой стандарт#

Представленная компанией Ultralytics, YOLOv5 давно известна удачным сочетанием скорости, точности и доступности.

YOLOv5 использует механизм детекции на основе якорей в сочетании с глубоко оптимизированной базовой сетью CSPDarknet. Архитектура широко применяет стандартные операции, поддерживаемые практически всеми движками инференса, что обеспечивает высокую переносимость. Главное преимущество модели — Ultralytics Python SDK, который обеспечивает удобную работу, простой API и подробную документацию. Кроме того, благодаря меньшим требованиям к памяти по сравнению с моделями на основе Transformer YOLOv5 быстро обучается на потребительских GPU без значительных затрат видеопамяти.

YOLOv10: обнаружение в реальном времени без NMS#

Разработанная исследователями из Университета Цинхуа модель YOLOv10 призвана устранить определённые узкие места, связанные с задержкой в предыдущих архитектурах.

Подробнее о YOLOv10

Главная особенность YOLOv10 — архитектура без подавления немаксимумов (NMS). Благодаря согласованному двойному назначению во время обучения голова с назначением один-к-одному устраняет необходимость в постобработке NMS при инференсе, сокращая задержку постобработки и упрощая конвейеры развёртывания, например движки NVIDIA TensorRT. В пакете Ultralytics для YOLOv10 по умолчанию используется голова с назначением один-ко-многим и NMS; установи nms=False, чтобы использовать голову без NMS.

Преимущества экосистемы

Хотя YOLOv10 предлагает интересные архитектурные новшества, модели Ultralytics, такие как YOLOv5 и более новая YOLO26, изначально поддерживаются в платформе Ultralytics, которая сразу предоставляет эффективное обучение и широкие возможности экспорта.

Анализ производительности#

При сравнении этих моделей оптимальный вариант применения определяется балансом между точностью (mAP) и вычислительными затратами (задержкой и количеством параметров). Ниже приведено сравнение технических показателей на наборе данных COCO.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

YOLOv10 явно достигает более высокого показателя mAPval50-95 при сопоставимых размерах моделей благодаря современной архитектуре, обеспечивающей высокую эффективность и точность. Однако YOLOv5 обеспечивает меньшую задержку на GPU в категориях Nano и Small, что делает её практичным выбором для встраиваемых систем с ограниченными ресурсами, например устройств линейки NVIDIA Jetson или стандартных CPU с использованием OpenVINO.

Методики обучения и экосистема#

Ценность модели во многом определяется экосистемой, в которую она входит. Ultralytics поддерживает активно развиваемую экосистему для широкого спектра задач. В то время как YOLOv10 предназначена исключительно для 2D-детекции объектов, Ultralytics изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Кроме того, для обучения модели Ultralytics требуется значительно меньше дополнительной памяти, чем для конкурирующих методов на основе Transformer, что помогает ускорить цикл разработки и снизить его стоимость.

Пример кода#

Обучение, валидация и экспорт моделей выполняются через единый API. Чтобы переключиться между моделями, достаточно изменить строку.

from ultralytics import YOLO

# Загрузка предварительно обученной модели YOLOv5 для базового тестирования
model_v5 = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Загрузка модели YOLOv10 для сравнения
model_v10 = YOLO("yolov10s.pt")

# Эффективно обучи модель на наборе данных COCO8
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Автоматически использует ускорение CUDA в PyTorch
    batch=16,
)

# Экспорт в ONNX для развертывания инференса на CPU
model_v5.export(format="onnx", simplify=True)

Сценарии использования и рекомендации#

Выбор между YOLOv5 и YOLOv10 зависит от требований конкретного проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

  • Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
  • Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
  • Широкая поддержка форматов экспорта: проекты, требующие развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.

Когда выбирать YOLOv10#

YOLOv10 рекомендуется для таких задач:

  • Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
  • Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
  • Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Будущее: Ultralytics YOLO26#

YOLOv5 сделала детекцию объектов доступной широкой аудитории, а YOLOv10 усовершенствовала архитектуру без NMS, но передовые решения продолжают развиваться. Для новых проектов Ultralytics рекомендует Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 сочетает надёжность экосистемы Ultralytics с рядом усовершенствований:

  • Сквозной дизайн без NMS: YOLO26 упрощает развертывание и снижает задержку, добавляя парадигму без NMS непосредственно во фреймворк Ultralytics в качестве необязательной головы один-к-одному (nms=False).
  • До 43% быстрее на CPU: после удаления Distribution Focal Loss (DFL) YOLO26n работает на CPU до 43% быстрее YOLO11n, что особенно полезно для периферийных устройств без GPU.
  • Оптимизатор MuSGD: вдохновлённый новыми подходами Moonshot AI к обучению LLM, оптимизатор MuSGD обеспечивает более стабильное обучение и быструю сходимость.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учётом малых объектов повышают качество их распознавания — это важно для таких областей, как анализ изображений с дронов и робототехника.

Управляй YOLO26, обучай и развёртывай эту модель прямо через платформу Ultralytics.

Заключение#

Выбор между YOLOv5 и YOLOv10 часто зависит от ограничений конкретного проекта. YOLOv10 обеспечивает отличную mAP для исследователей и приложений, использующих полную пропускную способность GPU. В свою очередь, YOLOv5 остаётся надёжной и широко совместимой рабочей моделью для стандартных сценариев развертывания.

Однако компьютерное зрение — динамично развивающаяся область. Для оптимального баланса производительности, универсальности и простоты использования разработчикам стоит обратить внимание на Ultralytics YOLO26. Эта модель сочетает возможность инференса без NMS с хорошо документированной экосистемой Ultralytics. Для специализированных задач разработчики также могут рассмотреть YOLO11, отличающуюся общей надёжностью, или RT-DETR, обеспечивающую точность на базе Transformer.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.