Начать

YOLOv5 и YOLOv7

За последние несколько лет компьютерное зрение стремительно развивалось благодаря потребности в более быстром и точном обнаружении объектов в реальном времени. При выборе подходящей архитектуры для проекта важно понимать различия между популярными моделями, такими как Ultralytics YOLOv5 и YOLOv7. В этом техническом сравнении рассматриваются их архитектуры, методы обучения, показатели производительности и оптимальные сценарии развёртывания, чтобы ты мог принять взвешенное решение.

Краткий обзор: происхождение моделей#

Знание происхождения и принципов проектирования этих моделей помогает понять особенности их архитектуры.

Сведения о YOLOv5:

Подробности о YOLOv7:

Узнай больше о YOLOv7

Другие архитектуры

Хочешь узнать, как эти модели выглядят на фоне других? Ознакомься со сравнениями YOLOv5 и YOLO11 или YOLOv7 и EfficientDet, чтобы лучше разобраться в экосистеме обнаружения объектов.

Архитектурные нововведения и различия#

YOLOv5: доступная модель для широкого круга задач#

Выпущенная компанией Ultralytics в 2020 году YOLOv5 изначально создавалась на фреймворке PyTorch, что значительно упростило её освоение для исследователей и разработчиков. В её архитектуре используется модифицированная магистральная сеть CSPDarknet53 с сетями Cross Stage Partial (CSP), сокращающими количество параметров при сохранении распространения градиентов.

Одно из главных преимуществ модели — низкие требования к памяти. По сравнению со старыми двухэтапными детекторами или ресурсоёмкими моделями Transformer, такими как RT-DETR, YOLOv5 требует значительно меньше памяти CUDA во время обучения, что позволяет использовать пакеты большего размера на стандартных потребительских GPU. Модель также отличается универсальностью: исходный репозиторий YOLOv5 поддерживает обнаружение объектов, сегментацию экземпляров и классификацию изображений.

YOLOv7: на пути к предельной точности в реальном времени#

Выпущенная в середине 2022 года YOLOv7 была нацелена на повышение точности до современного уровня при обнаружении объектов в реальном времени на тестах MS COCO. Авторы представили Extended Efficient Layer Aggregation Network (E-ELAN), которая повышает обучаемость сети, не нарушая исходный путь распространения градиента.

YOLOv7 также известна «обучаемым набором бесплатных улучшений» — в частности, методами репараметризации во время обучения, которые объединяют несколько модулей в один свёрточный слой для инференса, повышая скорость без ущерба для точности. Однако такой сложный процесс обучения часто требует больше времени на освоение и делает экспорт менее удобным по сравнению с нативной экосистемой Ultralytics.

Сравнение производительности#

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

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

YOLOv7 показывает более высокие абсолютные значения mAP у крупных вариантов, тогда как YOLOv5 предлагает более широкий выбор размеров моделей — от компактной Nano (YOLOv5n) для периферийных устройств до Extra-Large (YOLOv5x) для инференса в облаке.

Преимущества экосистемы Ultralytics#

Польза модели определяется не только её архитектурой: скорость внедрения в производственную среду во многом зависит от экосистемы вокруг неё. Именно здесь модели Ultralytics особенно хороши.

  • Простота использования: Платформа Ultralytics и единый API Python обеспечивают удобную работу, простой синтаксис и подробную документацию. Для обучения на пользовательском наборе данных требуется минимум шаблонного кода.
  • Хорошо поддерживаемая экосистема: Ultralytics активно развивается, регулярно обновляется и пользуется широкой поддержкой сообщества. Встроены интеграции с такими инструментами, как Comet и Weights & Biases.
  • Эффективность обучения: загрузчики данных, интеллектуальное кеширование и поддержка нескольких GPU повышают эффективность обучения моделей Ultralytics. Доступные предобученные веса ускоряют перенос обучения.

Пример кода: начало работы#

С Ultralytics для развёртывания модели достаточно всего нескольких строк кода. Следующий пример на Python показывает, как просто загрузить модель, обучить её и запустить инференс с помощью рекомендуемого пакета ultralytics.

from ultralytics import YOLO

# Загрузить предварительно обученную модель YOLOv5s
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Обучи модель на примере набора данных COCO8
# Ultralytics автоматически загружает данные и выполняет аугментацию
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Выполни инференс на тестовом изображении
predictions = model("https://ultralytics.com/images/bus.jpg")

# Отобрази предсказания
predictions[0].show()

В отличие от этого, работа с исходным репозиторием YOLOv7 обычно требует клонировать сложные репозитории, вручную управлять зависимостями и использовать длинные аргументы командной строки.

Применение в реальном мире и подходящие сценарии использования#

Когда выбирать YOLOv7#

YOLOv7 остаётся хорошим вариантом для академического бенчмаркинга или отдельных устаревших конвейеров на GPU, где главная цель — максимальный mAP, а система уже настроена на выходные тензоры с якорями. Исследователи, изучающие анализ путей градиентов, часто используют YOLOv7 в качестве базовой модели.

Когда стоит выбрать YOLOv5#

YOLOv5 широко используется в промышленной среде благодаря своей стабильности. Это оптимальный выбор для:

  • Мобильных и периферийных устройств: развёртывания YOLOv5n на iOS через CoreML или на Android через LiteRT.
  • Гибкие стартапы: команды, которым нужны быстрые циклы разработки, получают преимущества от интеграции платформы Ultralytics для управления наборами данных и облачного обучения.
  • Многозадачные среды: системы, объединяющие обнаружение объектов, сегментацию и классификацию.

Будущее: переход на YOLO26#

Сравнение YOLOv5 и YOLOv7 помогает понять эволюцию компьютерного зрения на базе ИИ, но передовые технологии продолжают развиваться. Выпущенная в январе 2026 года Ultralytics YOLO26 — рекомендуемая отправная точка для новых проектов.

YOLO26 предлагает несколько преимуществ по сравнению с YOLOv5 и YOLOv7:

  • Сквозная архитектура без NMS: возможность пропускать постобработку с подавлением немаксимумов (nms=False) упрощает развёртывание YOLO26 и обеспечивает более стабильную задержку.
  • Оптимизатор MuSGD: этот гибридный оптимизатор, вдохновлённый разработками Moonshot AI в области LLM, обеспечивает стабильное обучение и быструю сходимость.
  • Более быстрый инференс на периферийных устройствах: оптимизированная для периферийных сред YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, в том числе благодаря удалению Distribution Focal Loss (DFL).
  • Более высокая точность: новые методы обучения, такие как ProgLoss + STAL, улучшают распознавание небольших объектов, что полезно при обработке видеозаписей с дронов и в робототехнике.

Независимо от того, поддерживаешь ли ты существующий конвейер YOLOv5 или внедряешь YOLO26, платформа Ultralytics предоставляет инструменты для разметки, обучения и развёртывания.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.