YOLOv5 YOLOv7: эволюция детекторов объектов в реальном времени

Выбор подходящей архитектуры для обнаружения объектов предполагает поиск баланса между точностью, скоростью вывода и простотой развертывания. В этом руководстве представлено подробное техническое сравнение между Ultralytics YOLOv5 и YOLOv7, двух влиятельных моделей в области компьютерного зрения. Мы анализируем их архитектурные различия, тесты производительности и идеальные сценарии использования, чтобы помочь вам принять обоснованное решение для ваших проектов в области компьютерного зрения.

Краткое изложение

Хотя обе модели являются эффективными, YOLOv5 остается отраслевым стандартом по удобству использования, универсальности развертывания и поддержке сообщества. Его зрелая экосистема и беспроблемная интеграция с Ultralytics делают его отличным выбором для производственных сред. YOLOv7, выпущенная позднее, представила архитектурные инновации, такие как E-ELAN, для более высокой пиковой точности на GPU , но не имеет обширной поддержки многозадачности и оптимизированных инструментов, которые есть в Ultralytics .

Разработчикам, начинающим новые проекты в 2026 году, мы настоятельно рекомендуем оценить YOLO26, который превосходит обе модели по скорости и точности благодаря своей нативной сквозной архитектуре NMS.

Ultralytics YOLOv5: производственный стандарт

YOLOv5 произвела революцию в этой области не только благодаря своим показателям, но и благодаря приоритету, отданному опыту разработчиков. Это была первая YOLO , реализованная нативно в PyTorch, что сделало ее доступной для широкого сообщества исследователей и инженеров. Ее философия «простота обучения, простота внедрения» сделала ее идеальным решением для реальных приложений, от автономных транспортных средств до промышленного контроля.

Author: Glenn Jocher
Organization:Ultralytics
Date: 2020-06-26
GitHub:ultralytics/yolov5
Docs:YOLOv5 Documentation

Узнайте больше о YOLOv5

Архитектура и Дизайн

YOLOv5 магистраль CSP-Darknet53 с фокусным слоем (позже замененным на свертку 6x6) для уменьшения вычислений при сохранении информации. Он использует шею Path Aggregation Network (PANet) для слияния характеристик и многомасштабного прогнозирования. Ключевые архитектурные особенности включают:

Мозаичное увеличение данных: метод обучения, который объединяет четыре изображения в одно, улучшая способность модели detect объекты и снижая потребность в больших мини-партиях.
Автоматическое обучение опорных точек ограничивающих прямоугольников: во время обучения модель автоматически адаптирует опорные прямоугольники к конкретной геометрии пользовательских наборов данных.
Активация SiLU: использование функции активации Sigmoid Linear Unit (SiLU) для более плавного распространения градиента.

Ключевые преимущества

Простота использования: упрощенный API и подробная документация позволяют разработчикам обучить пользовательскую модель всего за несколько строк кода.
Универсальность развертывания: встроенная поддержка экспорта для ONNX, TensorRT, CoreML, TFLite и OpenVINO беспроблемное развертывание на периферийных и облачных целях.
Многозадачность: помимо обнаружения, YOLOv5 сегментацию объектов и классификацию изображений, предлагая комплексный набор инструментов для различных задач машинного зрения.

YOLOv7: повышение GPU

YOLOv7 был разработан для расширения границ скорости и точности на GPU . Он представляет несколько стратегий «bag-of-freebies» — методов, которые повышают точность без увеличения затрат на вычисления, — что делает его сильным конкурентом в сценариях высокопроизводительных вычислений.

Авторы: Чень-Яо Ван, Алексей Бочковский, Хун-Юань Марк Ляо
Организация: Институт информационных наук, Академия Синика, Тайвань
Дата: 06.07.2022
Arxiv:2207.02696
GitHub:WongKinYiu/yolov7
Документация:YOLOv7

Узнайте больше о YOLOv7

Архитектура и инновации

YOLOv7 на эффективном проектировании архитектуры и масштабировании моделей. Его основной инновацией является расширенная сеть эффективной агрегации слоев (E-ELAN), которая позволяет модели обучаться более разнообразным особенностям путем контроля самых коротких и самых длинных путей градиента.

Масштабирование модели: YOLOv7 метод комбинированного масштабирования, который одновременно изменяет глубину и ширину для моделей на основе конкатенации, оптимизируя архитектуру для различных аппаратных ограничений.
Вспомогательная головка от грубой к тонкой: она использует вспомогательную головку для обучения, которая направляет процесс обучения, который затем перепараметризуется в основную головку для вывода, обеспечивая отсутствие снижения скорости при развертывании.
Плановая перепараметризация: архитектура стратегически использует перепараметризированные свертки (RepConv) для баланса скорости и точности, избегая идентичных соединений, которые разрушают остаточное обучение.

Сравнение показателей производительности

В следующей таблице сравниваются результаты YOLOv5 YOLOv7 COCO . В то время как YOLOv7 преимущества в сыром mAP GPU, YOLOv5 конкурентоспособную скорость, особенно на CPU, и значительно меньшее количество параметров для более компактных моделей.

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

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

Анализ результатов

Эффективность: YOLOv5n (Nano) отличается исключительной легкостью, что делает его идеальным решением для устройств с ограниченными ресурсами, где каждый мегабайт памяти на счету.
Точность: YOLOv7x достигает более высокой mAP (53,1%) по сравнению с YOLOv5x (50,7%), демонстрируя преимущества архитектуры E-ELAN для высокопроизводительных задач GPU .
Развертывание:ONNX CPU ONNX для YOLOv5 и оптимизирована, обеспечивая надежную производительность дляGPU .

Выбор для Edge

Для периферийных устройств, таких как Raspberry Pi или мобильные телефоны, YOLOv5n или YOLOv5s часто являются лучшим выбором благодаря меньшему объему занимаемой памяти и проверенной совместимости TFLite .

Обучение и экосистема

Одним из наиболее значимых отличительных факторов является экосистема, окружающая модели.YOLO Ultralytics YOLO используют преимущества постоянно поддерживаемой платформы, которая упрощает весь жизненный цикл операций машинного обучения (MLOps).

Преимущества экосистемы Ultralytics

Интегрированная платформа: Ultralytics позволяет пользователям управлять наборами данных, визуализировать процессы обучения и беспрепятственно развертывать модели через веб-интерфейс.
Эффективность обучения: YOLOv5 эффективные средства загрузки данных и интеллектуальное кэширование, что значительно сокращает время обучения на пользовательских наборах данных по сравнению с более старыми архитектурами.
Поддержка сообщества: благодаря тысячам участников и активным обсуждениям на GitHub и Discord, с Ultralytics можно быстрее находить решения для крайних случаев.

Пример кода: Обучение с Ultralytics

Обучение YOLO с помощью Ultralytics для всех версий. Вы можете переключаться между YOLOv5, YOLO11 и рекомендуемой YOLO26, просто изменив название модели.

from ultralytics import YOLO

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

# Train the model on a custom dataset
# The API handles data downloading and configuration automatically
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a new image
predictions = model("path/to/image.jpg")

Будущее: почему стоит перейти на YOLO26?

Хотя сравнение YOLOv5 YOLOv7 для понимания устаревших систем, современные технологии значительно продвинулись вперед. Выпущенная в январе 2026 года Ultralytics представляет собой сдвиг парадигмы в области обнаружения объектов.

Узнайте больше о YOLO26

Встроенная сквозная обработка: в отличие от YOLOv5 YOLOv7, которые требуют постобработки с помощью алгоритма подавления неактивных пиков (NMS), YOLO26 изначально NMS использует NMS. Это упрощает процессы развертывания и снижает изменчивость задержек.
Оптимизатор MuSGD: Используя инновации в области обучения LLM, оптимизатор MuSGD обеспечивает более стабильную конвергенцию и надежную производительность для различных наборов данных.
Повышенная скорость: YOLO26 обеспечивает до 43 % более быстрое CPU по сравнению с предыдущими поколениями, что делает его лучшим выбором для современных приложений искусственного интеллекта на периферии.
Универсальность: он изначально поддерживает ориентированную ограничивающую рамку (OBB), оценку позы и сегментацию со специализированными функциями потерь, такими как ProgLoss и STAL, для лучшего обнаружения мелких объектов.

Заключение

И YOLOv5 YOLOv7 свое место в истории компьютерного зрения. YOLOv7 — это мощный инструмент для исследователей, позволяющий максимизировать mAP определенном GPU . Однако YOLOv5 остается практичным выбором для многих благодаря своей непревзойденной простоте использования, стабильности и широкой поддержке развертывания.

Для перспективных проектов рекомендация ясна: используйте Ultralytics . Он сочетает в себе удобную экосистему YOLOv5 архитектурными прорывами, которые превосходят обе предшествующие версии по скорости, точности и простоте.

Посетите Ultralytics Hub, чтобы более подробно изучить эти архитектуры и загрузить предварительно обученные веса для вашего следующего проекта.