YOLOv5 и YOLOv7#

За последние несколько лет область компьютерного зрения стремительно развивалась под влиянием потребности в более быстром и точном обнаружении объектов в реальном времени. При выборе подходящей архитектуры для проекта по компьютерному зрению крайне важно понимать различия между популярными моделями, такими как Ultralytics YOLOv5 и YOLOv7. Это подробное техническое сравнение рассматривает их архитектуры, методики обучения, показатели производительности и оптимальные сценарии развертывания, чтобы ты мог принять обоснованное решение.

Краткий обзор: происхождение моделей#

Понимание происхождения и принципов проектирования этих моделей помогает лучше разобраться в особенностях их архитектур.

Сведения о YOLOv5:

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: Репозиторий YOLOv5
• Документация: Документация YOLOv5

Подробности о YOLOv7:

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информационных наук, Academia Sinica, Тайвань
• Дата: 2022-07-06
• Arxiv: Статья о YOLOv7
• GitHub: Репозиторий YOLOv7
• Документация: Документация YOLOv7

Узнай больше о YOLOv7

Архитектурные инновации и различия#

YOLOv5: стандарт доступности#

Представленная Ultralytics в 2020 году, YOLOv5 изменила подход к разработке, нативно используя фреймворк PyTorch и значительно снизив порог входа для исследователей и разработчиков. Ее архитектура использует модифицированную магистраль CSPDarknet53, интегрируя сети с частичным разделением этапов (CSP), чтобы уменьшить количество параметров при сохранении прохождения градиента.

Одно из главных преимуществ модели — ее требования к памяти. По сравнению со старыми двухэтапными детекторами или тяжелыми моделями на базе Transformer, такими как RT-DETR, YOLOv5 требует значительно меньше памяти CUDA во время обучения, что позволяет использовать больший размер пакета на стандартных потребительских GPU. Кроме того, встроенная универсальность обеспечивает бесшовную поддержку классификации изображений, обнаружения объектов и сегментации изображений.

YOLOv7: расширяя границы точности в реальном времени#

Выпущенная в середине 2022 года, YOLOv7 была ориентирована на расширение границ передовых методов обнаружения объектов в реальном времени на бенчмарках MS COCO. Авторы представили сеть расширенной эффективной агрегации слоев (E-ELAN), которая повышает способность сети к обучению, не разрушая исходный путь градиента.

YOLOv7 также известна своим «обучаемым набором бесплатных улучшений», особенно методами репараметризации во время обучения, которые преобразуют несколько модулей в один сверточный слой для инференса, повышая скорость без потери точности. Однако такая сложная методика обучения часто приводит к более крутой кривой обучения и менее простому процессу экспорта по сравнению с нативной экосистемой Ultralytics.

Сравнение производительности#

При оценке этих моделей первостепенное значение имеет баланс производительности между скоростью, точностью и вычислительными затратами. Ниже приведено подробное сравнение их показателей производительности на наборе данных MS COCO val2017.

Хотя YOLOv7 достигает более высоких абсолютных показателей mAP на крупных вариантах, YOLOv5 предлагает непревзойденный спектр моделей — от сверхлегкой Nano (YOLOv5n) для устройств на границе сети с крайне ограниченными ресурсами до Extra-Large (YOLOv5x) для облачного инференса.

Преимущества экосистемы Ultralytics#

Польза модели определяется не только ее базовой архитектурой: окружающая ее экосистема влияет на скорость развертывания в рабочей среде. Именно здесь модели Ultralytics особенно сильны.

• Простота использования: Платформа Ultralytics и ее унифицированный API Python обеспечивают удобный интерфейс, простой синтаксис и обширную документацию. Для обучения на собственном наборе данных не требуется писать шаблонный код.
• Хорошо поддерживаемая экосистема: Ultralytics активно развивается, регулярно обновляется и получает сильную поддержку сообщества. Интеграции с такими инструментами, как Comet ML и Weights & Biases, уже встроены.
• Эффективность обучения: загрузчики данных, интеллектуальное кэширование и поддержка нескольких GPU делают обучение моделей Ultralytics исключительно эффективным. Готовые предобученные веса значительно ускоряют перенос обучения.

Пример кода: начало работы#

С Ultralytics для развертывания модели требуется всего несколько строк кода. Следующий фрагмент Python показывает, насколько просто загружать модель, обучать ее и запускать инференс с помощью рекомендуемого пакета ultralytics.

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
# Ultralytics automatically handles data downloading and augmentation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
predictions = model("https://ultralytics.com/images/bus.jpg")

# Display the predictions
predictions[0].show()

В отличие от этого, использование оригинального репозитория YOLOv7 обычно включает клонирование сложных репозиториев, ручное управление зависимостями и применение длинных аргументов командной строки.

Применение в реальных условиях и оптимальные сценарии использования#

Когда выбирать YOLOv7#

YOLOv7 остается сильным кандидатом для академических бенчмарков или отдельных устаревших конвейеров на GPU, где максимальный mAP — единственная цель, а система уже адаптирована к выходным тензорам на основе anchor-боксов. Исследователи, изучающие анализ путей градиента, часто используют YOLOv7 в качестве базовой модели.

Когда стоит выбрать YOLOv5#

YOLOv5 пользуется большой популярностью в производственных средах благодаря исключительной стабильности. Это предпочтительный выбор для:

• Мобильных и периферийных вычислений: развертывания YOLOv5n на iOS через CoreML или на Android через TFLite.
• Гибких стартапов: команды, которым нужны быстрые циклы итераций, получают преимущества от бесшовной интеграции с Платформой Ultralytics для управления наборами данных и облачного обучения.
• Многозадачных сред: систем, которым одновременно требуются обнаружение объектов, классификация и сегментация.

Будущее: переход на YOLO26#

Хотя сравнение YOLOv5 и YOLOv7 — отличный способ понять развитие ИИ в области компьютерного зрения, передовые технологии продолжили развиваться. Выпущенная в январе 2026 года Ultralytics YOLO26 представляет собой грандиозный шаг вперед, из-за чего старые архитектуры в значительной степени устарели для новых проектов.

Для разработчиков, стремящихся к максимальной производительности, YOLO26 предлагает несколько революционных преимуществ по сравнению как с YOLOv5, так и с YOLOv7:

• Сквозная архитектура без NMS: за счет устранения постобработки подавления немаксимумов YOLO26 обеспечивает значительно более простое развертывание и более быструю стабильную задержку.
• Оптимизатор MuSGD: этот гибридный оптимизатор, вдохновленный инновациями LLM от Moonshot AI, обеспечивает высокую стабильность обучения и быструю сходимость.
• Беспрецедентная скорость на периферийных устройствах: нано-вариант, специально оптимизированный для периферийных сред, обеспечивает до 43% более быстрый инференс на CPU за счет удаления функции фокальных потерь распределения (DFL).
• Превосходная точность: новые функции потерь, такие как ProgLoss + STAL, значительно улучшают распознавание небольших объектов, что делает модель идеальной для съемки с дронов и робототехники.

Независимо от того, поддерживаешь ли ты существующий конвейер YOLOv5 или хочешь внедрить передовую YOLO26, Платформа Ultralytics предоставляет все необходимые инструменты для успешной работы в современном компьютерном зрении.