YOLOv5 против YOLOv10: всестороннее техническое сравнение

Область компьютерного зрения в реальном времени демонстрирует экспоненциальный рост за последние несколько лет, причем различные архитектуры расширяют границы возможного на современном оборудовании. При оценке передовых архитектур сравнение YOLOv5 и YOLOv10 подчеркивает значительный эволюционный шаг в области детектирования объектов. Этот технический обзор исследует их архитектурные парадигмы, компромиссы производительности и способы использования этих инструментов разработчиками в производственных средах.

Архитектурный разбор

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

Ultralytics YOLOv5: отраслевой стандарт

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

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: репозиторий YOLOv5
• Документация: документация YOLOv5

Узнай больше о YOLOv5

YOLOv5 опирается на механизм детектирования на основе якорей (anchor-based), объединенный с глубоко оптимизированным бэкендом CSPDarknet. Эта архитектура в значительной степени полагается на стандартные операции, поддерживаемые практически всеми движками вывода, что делает ее невероятно универсальной. Ее основное преимущество заключается в Ultralytics Python SDK, который обеспечивает оптимизированный пользовательский опыт, простой API и обширную документацию. Кроме того, более низкие требования YOLOv5 к памяти по сравнению с трансформерными моделями означают быстрое обучение на потребительских GPU без значительных затрат VRAM.

YOLOv10: развитие парадигмы

Разработанная исследователями из Университета Цинхуа, YOLOv10 нацелена на устранение конкретных узких мест задержки, обнаруженных в предыдущих архитектурах.

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

Узнать больше о YOLOv10

Определяющей характеристикой YOLOv10 является ее нативный дизайн без использования NMS (подавление немаксимумов). Используя согласованные двойные назначения во время обучения, модель устраняет необходимость в постпроцессинге NMS при выводе. Это теоретическое сокращение задержки очень полезно для развертывания на высокопроизводительном оборудовании с мощным ускорением NVIDIA TensorRT, хотя это может привнести структурную сложность для периферийных устройств.

Анализ производительности

При сравнении этих моделей баланс между точностью (mAP) и вычислительными затратами (задержка и количество параметров) определяет наилучший вариант использования. Ниже приведено техническое сравнение производительности на датасете COCO.

YOLOv10 явно достигает более высокого показателя mAP50-95 при эквивалентных масштабах размера, используя модернизированный дизайн модели, ориентированный на эффективность и точность. Однако 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 с помощью OpenVINO.

Методологии обучения и экосистема

Ценность модели глубоко связана с окружающей ее экосистемой. Ultralytics поддерживает исключительно ухоженную экосистему, которая поддерживает невероятно широкий спектр задач. В то время как YOLOv10 сфокусирована исключительно на 2D детектировании объектов, Ultralytics нативно 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 основе трансформеров, что позволяет сохранять цикл разработки быстрым и экономически эффективным.

Бесшовное выполнение кода

Обучение, валидация и экспорт моделей объединены под одним API. Ты можешь переключаться между моделями, просто изменяя 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)

Варианты использования и рекомендации

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

Когда выбирать YOLOv5

YOLOv5 — отличный выбор для:

• Проверенных производственных систем: Существующих развертываний, где ценятся долгая история стабильности YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения в условиях ограниченных ресурсов: Сред с ограниченными GPU-ресурсами, где эффективный конвейер обучения YOLOv5 и меньшие требования к памяти являются преимуществом.
• Широкой поддержки форматов экспорта: Проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и TFLite.

Когда выбирать YOLOv10

YOLOv10 рекомендуется для:

• Обнаружение в реальном времени без NMS: Приложения, которые выигрывают от комплексного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированные компромиссы скорости и точности: Проекты, требующие хорошего баланса между скоростью вывода и точностью обнаружения для моделей различных масштабов.
• Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

Когда выбирать Ultralytics (YOLO26)

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и опыта разработчика:

• Периферийное развертывание без NMS: Приложениям требуется стабильный вывод с низкой задержкой без сложности постобработки Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного GPU-ускорения, где преимущество YOLO26 в виде до 43% более быстрого вывода на CPU является решающим.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэросъемка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL значительно повышают точность распознавания крошечных объектов.

Будущее: Ultralytics YOLO26

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

YOLO26 объединяет надежность экосистемы Ultralytics с прорывными достижениями:

• Сквозной дизайн без NMS: внедряя парадигму без NMS непосредственно в фреймворк Ultralytics, YOLO26 упрощает развертывание и гарантирует более низкую задержку.
• До 43% более быстрый вывод на CPU: благодаря удалению Distribution Focal Loss (DFL), YOLO26 заметно быстрее работает 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 значительно улучшают распознавание мелких объектов, что жизненно важно для таких областей, как аэрофотосъемка 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. С другой стороны, YOLOv5 остается надежной и высокосовместимой «рабочей лошадкой» для стандартных развертываний.

Однако область компьютерного зрения динамична. Чтобы получить максимальный баланс производительности, универсальности и простоты использования, разработчикам стоит обратить внимание на Ultralytics YOLO26. Она сочетает в себе скорость вывода без NMS с надежной и хорошо документированной экосистемой Ultralytics, гарантируя, что твои AI-решения в области зрения готовы к будущему. Для специализированных вариантов использования разработчики также могут изучить YOLO11 для общей устойчивости или RT-DETR для точности, основанной на трансформерах.