YOLOv5 YOLOv10: техническое сравнение детекторов объектов в реальном времени

Эволюция архитектуры You Only Look Once (YOLO) стала определяющим событием в истории компьютерного зрения. Двумя важными вехами в этой истории являются YOLOv5, отраслевой стандарт надежности и простоты использования, и YOLOv10, академический прорыв, направленный на устранение узких мест в постобработке. В этом руководстве представлено подробное техническое сравнение, которое поможет разработчикам выбрать подходящий инструмент для своих приложений, а также рассмотрено, как новейшая версия YOLO26 объединяет преимущества обеих архитектур.

Происхождение модели и технические характеристики

Прежде чем приступить к рассмотрению показателей производительности, необходимо понять суть каждой модели.

YOLOv5
Автор: Гленн Джочер
Организация: Ultralytics
Дата: 26.06.2020
GitHub: yolov5
Документация: YOLOv5

YOLOv10
Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
Организация: Университет Цинхуа
Дата: 23.05.2024
Arxiv: arXiv:2405.14458
GitHub: THU-MIG/yolov10
Документация: YOLOv10

Узнайте больше о YOLOv5

Анализ производительности

В следующей таблице представлено сравнение моделей на наборе COCO , стандартном тесте для обнаружения объектов.

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 достигает более высокой средней точности (mAP) с меньшим количеством параметров, что подчеркивает повышение эффективности благодаря новой архитектуре. Однако YOLOv5 конкурентоспособным по скорости GPU , особенно на устаревшем оборудовании, благодаря высокооптимизированным CUDA .

Узнайте больше о YOLOv10

Архитектура и Дизайн

YOLOv5: надежный стандарт

YOLOv5 на модифицированной основе CSPNet и шее PANet. Он использует стандартные анкерные головки обнаружения, которые требуют не максимального подавления (NMS) во время постобработки для фильтрации дублирующихся ограничительных рамок.

Преимущества: чрезвычайно зрелая кодовая база, широкая поддержка сторонними инструментами и стабильное развертывание на периферийных устройствах, таких как Raspberry Pi.
Недостатки: зависит от NMS, что может привести к изменчивости задержки в зависимости от количества объектов в сцене.

YOLOv10: пионер NMS

YOLOv10 радикальные изменения, используя последовательные двойные назначения для обучения NMS. Это позволяет модели предсказывать ровно одну рамку на объект, устраняя необходимость в шагах NMS .

Преимущества: более низкая задержка вывода в сценах с высокой плотностью благодаря NMS ; эффективная конструкция блоков с ранжированием снижает избыточность вычислений.
Недостатки: новая архитектура может потребовать специальных настроек экспорта для некоторых компиляторов; меньшая историческая поддержка сообщества по сравнению с v5.

Узкое место NMS

Немаксимальное подавление (NMS) — это этап постобработки, который фильтрует перекрывающиеся ограничительные рамки. Несмотря на свою эффективность, этот процесс является последовательным и требует больших вычислительных ресурсов процессоров. Его удаление, как это сделано в YOLOv10 YOLO26, имеет решающее значение для приложений, работающих в режиме реального времени на периферийном оборудовании.

Экосистема и простота использования

Одним из наиболее важных факторов для разработчиков является экосистема, окружающая модель. Именно здесь становится очевидным различие между репозиторием для исследований и производственной платформой.

Преимущество Ultralytics

Обе модели могут быть запущены через ultralytics Python , предоставляющий им доступ к надежному набору инструментов.

Ultralytics : Пользователи могут управлять наборами данных, проводить обучение в облаке и беспрепятственно развертывать модели с помощью Ultralytics .
Эффективность обучения: Ultralytics оптимизированы для эффективного использования памяти во время обучения и часто требуют значительно меньше VRAM, чем альтернативные модели на основе трансформаторов.
Универсальность: хотя YOLOv10 в первую очередь YOLOv10 моделью обнаружения, Ultralytics поддерживает сегментацию изображений, оценку позы и ориентированное обнаружение объектов (OBB) во всех своих основных моделях.

Пример кода

Переключение между моделями так же просто, как изменение строки имени модели.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model
model_v5 = YOLO("yolov5s.pt")
model_v5.train(data="coco8.yaml", epochs=100)

# Load a pre-trained YOLOv10 model
model_v10 = YOLO("yolov10n.pt")
model_v10.predict("path/to/image.jpg")

Идеальные варианты использования

Когда выбирать YOLOv5

Устаревшие системы: если у вас уже есть конвейер, построенный на основе форматов YOLOv5 .
Широчайшая совместимость: для развертывания на старых встроенных системах, где новые операторы могут еще не поддерживаться.
Ресурсы сообщества: когда вам нужен доступ к тысячам учебных материалов и сторонних интеграций, созданных за последние пять лет.

Когда выбирать YOLOv10

Обнаружение высокой плотности: сценарии, такие как подсчет количества людей в толпе или анализ трафика, в которых NMS обработку.
Строгие ограничения по задержке: робототехника в реальном времени или автономное вождение, где важна каждая миллисекунда задержки вывода.
Исследования: эксперименты с новейшими достижениями в области стратегий назначения и архитектурной обрезки.

Лучшая рекомендация: YOLO26

В то время как YOLOv5 стабильность, а YOLOv10 вывод NMS, недавно выпущенная Ultralytics объединяет эти преимущества в единую, превосходную структуру.

Почему стоит перейти на YOLO26? YOLO26 изначально является сквозной системой, в которой используется разработанная YOLOv10 конструкцияNMS YOLOv10 усовершенствованная с помощью надежного конвейера Ultralytics .

MuSGD Optimizer: вдохновленный обучением LLM (в частности, Kimi K2 от Moonshot AI), этот оптимизатор обеспечивает стабильную конвергенцию и более быстрое обучение.
Производительность: оптимизирована для пограничных вычислений, обеспечивая до 43 % более быстрое CPU по сравнению с предыдущими поколениями.
Точность: Оснащен функциями ProgLoss и STAL (Semantic-Token Alignment Loss), значительно улучшающими обнаружение мелких объектов, что часто является слабым местом в более ранних моделях.
Полная универсальность: в отличие от YOLOv10 фокусируется на обнаружении, YOLO26 предлагает современные модели для сегментации, определения позы, классификации и OBB.

Для любого нового проекта, начинающегося в 2026 году, рекомендуется выбрать YOLO26, который предлагает самый простой путь от аннотирования набора данных до экспорта модели.

Узнайте больше о YOLO26

Заключение

Как YOLOv5 YOLOv10 поворотные моменты в компьютерном зрении. YOLOv5 сделал ИИ доступным и надежным, а YOLOv10 расширил технические границы сквозной обработки. Однако эта область развивается очень быстро. С выпуском YOLO26 разработчикам больше не нужно выбирать между надежностью Ultralytics и скоростью архитектур NMS — YOLO26 обеспечивает и то, и другое.

Что касается других современных альтернатив, вы также можете рассмотреть возможность изучения YOLO11 для задач общего назначения в области компьютерного зрения или Real-Time DETR (RT-DETR) для обнаружения на основе трансформаторов.