YOLOv5 против YOLOv10: Всестороннее техническое сравнение.

Область компьютерного зрения в реальном времени за последние несколько лет пережила экспоненциальный рост, при этом различные архитектуры расширяют границы возможного на современном оборудовании. При оценке передовых архитектур сравнение между YOLOv5 и YOLOv10 подчеркивает значительный эволюционный шаг в области обнаружения объектов. Этот технический анализ исследует их архитектурные парадигмы, компромиссы в производительности и то, как разработчики могут использовать эти инструменты в производственных средах.

Архитектурное Глубокое Погружение

Понимание структурных различий между этими моделями имеет решающее значение для их эффективного развертывания в реальных условиях.

Ultralytics YOLOv5: Промышленный стандарт

Представленный Ultralytics, YOLOv5 давно признан за его непревзойденный баланс скорости, точности и доступности.

Автор: Гленн Йочер
Организация: Ultralytics
Дата: 26.06.2020
GitHub: Репозиторий YOLOv5
Документация: Документация YOLOv5

Узнайте больше о YOLOv5

YOLOv5 использует механизм detect на основе якорей в сочетании с глубоко оптимизированным backbone CSPDarknet. Эта архитектура сильно зависит от стандартных операций, поддерживаемых практически всеми движками вывода, что делает ее невероятно универсальной. Ее основная сила 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 моделями на основе трансформеров означают, что он быстро обучается на потребительских GPU без значительных накладных расходов VRAM.

YOLOv10: Развивая парадигму

Разработанный исследователями Университета Цинхуа, YOLOv10 был направлен на устранение специфических узких мест задержки, обнаруженных в предыдущих архитектурах.

Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
Организация: Tsinghua University
Дата: 2024-05-23
ArXiv: 2405.14458
GitHub: Репозиторий YOLOv10
Документация: Документация YOLOv10

Узнайте больше о YOLOv10

Отличительной особенностью YOLOv10 является ее изначально безальтернативная NMS-архитектура (подавление немаксимумов). Используя согласованные двойные назначения во время обучения, модель устраняет необходимость в постобработке NMS во время инференса. Это теоретическое снижение задержки очень выгодно для развертываний, работающих на высокопроизводительном оборудовании с мощным ускорением NVIDIA TensorRT, хотя оно может внести структурные сложности для периферийных устройств.

Преимущество экосистемы

Хотя YOLOv10 предлагает интересные архитектурные новшества, модели Ultralytics, такие как YOLOv5 и более новая YOLO26, изначально поддерживаются в платформе Ultralytics, предлагая превосходную эффективность обучения, автоматическую эволюцию гиперпараметров и обширные возможности экспорта из коробки.

Анализ производительности

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

Модель	размер ^{(пиксели)}	mAP^val 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

YOLOv10 явно достигает более высокого mAP50-95 в эквивалентных масштабах размера, используя свою модернизированную модель, ориентированную на эффективность и точность. Однако YOLOv5 демонстрирует невероятно конкурентоспособную задержку, особенно на уровнях Nano и Small, что делает ее очень надежной для ограниченных встроенных сред, таких как NVIDIA Jetson стандартные CPU через OpenVINO.

Методологии обучения и экосистема

Ценность модели тесно связана с окружающей ее экосистемой. Ultralytics поддерживает исключительно хорошо развитую экосистему, которая обеспечивает широкий спектр задач. В то время как YOLOv10 строго ориентирован на 2D обнаружение объектов, Ultralytics изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Кроме того, обучение модели Ultralytics требует значительно меньших накладных расходов на память по сравнению с конкурирующими методами на основе трансформеров, что обеспечивает быстрый и экономически эффективный цикл разработки.

Бесшовное выполнение кода

Обучение, валидация и экспорт моделей объединены в рамках единого API. Переключаться между моделями можно, просто изменив 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 конкретных требований вашего проекта, ограничений развертывания и предпочтений экосистемы.

Когда выбирать YOLOv5

YOLOv5 является оптимальным выбором для:

Проверенные производственные системы: Существующие развертывания, где ценятся долгий track-рекорд стабильности YOLOv5, обширная документация и массивная поддержка сообщества.
Обучение с ограниченными ресурсами: Среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и низкие требования к памяти являются преимуществом.
Обширная поддержка форматов экспорта: Проекты, требующие развертывания во многих форматах, включая ONNX, TensorRT, CoreML и TFLite.

Когда выбирать YOLOv10

YOLOv10 рекомендуется для:

Обнаружение в реальном времени без NMS: Приложения, выигрывающие от сквозного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
Сбалансированный компромисс между скоростью и точностью: Проекты, требующие оптимального баланса между скоростью инференса и точностью обнаружения для моделей различных масштабов.
Приложения с предсказуемой задержкой: Сценарии развертывания, где критически важны предсказуемые времена инференса, например, в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)

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

Развертывание на периферии без NMS: Приложения, требующие стабильного вывода с низкой задержкой без сложности постобработки методом Non-Maximum Suppression.
Среды только с CPU: Устройства без выделенного ускорения GPU, где до 43% более быстрая инференция YOLO26 на CPU обеспечивает решающее преимущество.
Обнаружение мелких объектов: Сложные сценарии, такие как аэрофотосъемка с дронов или анализ данных с IoT-датчиков, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Будущее: Ultralytics YOLO26

Хотя YOLOv5 произвела революцию в доступности, а YOLOv10 расширила границы NMS-free архитектуры, передовые технологии продолжают развиваться. Для новых проектов мы настоятельно рекомендуем передовую Ultralytics YOLO26, выпущенную в январе 2026 года.

YOLO26 объединяет надежность экосистемы Ultralytics с новаторскими достижениями:

Сквозная архитектура без NMS: Интегрируя парадигму без NMS непосредственно в фреймворк Ultralytics, YOLO26 упрощает развертывание и гарантирует более низкую задержку.
До 43% более быстрая инференция на CPU: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 значительно 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 значительно улучшают распознавание мелких объектов, что жизненно важно для таких областей, как изображения с дронов и робототехника.

Вы можете управлять, обучать и развертывать YOLO26 непосредственно через Ultralytics Platform.

Заключение

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

Однако область компьютерного зрения динамична. Чтобы достичь наилучшего баланса производительности, универсальности и простоты использования, разработчикам следует обратить внимание на Ultralytics YOLO26. Он объединяет скорость NMS-free инференса с надежной, хорошо документированной экосистемой Ultralytics, гарантируя перспективность ваших решений визуального ИИ. Для специализированных случаев использования разработчики также могут рассмотреть YOLO11 для общей надежности или RT-DETR для точности на основе трансформеров.