YOLOv5 и YOLOv7#

За последние несколько лет компьютерное зрение быстро развивалось в ответ на потребность в более быстром и точном обнаружении объектов в реальном времени. Чтобы выбрать подходящую архитектуру для проекта компьютерного зрения, важно понимать различия между популярными моделями, такими как Ultralytics YOLOv5 и YOLOv7. В этом подробном техническом сравнении рассматриваются архитектуры, методики обучения, метрики 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:

• 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 информатики, Академия Синика, Тайвань
• Дата: 2022-07-06
• Arxiv: Статья о YOLOv7
• GitHub: Репозиторий YOLOv7
• Документация: Документация YOLOv7

Узнай больше о YOLOv7

Архитектурные нововведения и различия#

YOLOv5: доступная модель для широкого круга задач#

Представленная Ultralytics в 2020 году, YOLOv5 изменила подход к разработке, изначально используя фреймворк PyTorch, что значительно снизило порог входа для исследователей и разработчиков. Её архитектура основана на модифицированном CSPDarknet53 и включает сети Cross Stage Partial (CSP), которые сокращают количество параметров, сохраняя поток градиентов.

Одно из главных преимуществ модели — 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 большие размеры батчей на обычных потребительских GPU. Кроме того, встроенная универсальность обеспечивает удобную поддержку классификации изображений, обнаружения объектов и сегментации изображений.

YOLOv7: на пути к предельной точности в реальном времени#

Выпущенная в середине 2022 года, YOLOv7 была нацелена на достижение передовых результатов обнаружения объектов в реальном времени на бенчмарках MS COCO. Авторы представили расширенную сеть агрегации эффективных слоёв (E-ELAN), которая повышает способность сети к обучению, не нарушая исходный путь градиентов.

YOLOv7 также известна «набором обучаемых бесплатных улучшений», в частности методами репараметризации во время обучения, которые преобразуют несколько модулей в один свёрточный слой для инференса и повышают скорость без потери точности. Однако из-за сложной методики обучения её часто труднее освоить, а экспорт моделей менее прост по сравнению с экосистемой Ultralytics.

Сравнение производительности#

При оценке этих моделей особенно важен баланс производительности между скоростью, точностью и вычислительными затратами. Ниже приведено подробное сравнение их метрик на наборе данных MS COCO val2017.

YOLOv7 показывает более высокие абсолютные значения mAP на крупных вариантах, но YOLOv5 предлагает непревзойдённый спектр моделей — от сверхлёгкой Nano (YOLOv5n) для самых компактных 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 Python API обеспечивают удобную работу, простой синтаксис и подробную документацию. Для обучения на собственном наборе данных не нужен шаблонный код.
• Развитая экосистема: Ultralytics активно развивается, регулярно обновляется и пользуется сильной поддержкой сообщества. Интеграции с такими инструментами, как Comet ML и Weights & Biases, уже встроены.
• Эффективное обучение: Загрузчики данных, интеллектуальное кэширование и поддержка нескольких GPU делают обучение моделей Ultralytics чрезвычайно эффективным. Готовые предобученные веса значительно 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 производственных средах благодаря исключительной стабильности. Это оптимальный выбор для:

• Мобильных и периферийных устройств: развёртывания YOLOv5n на iOS через CoreML или на Android через LiteRT.
• Стартапов, которым важна гибкость: команды, которым нужны быстрые циклы итераций, получают преимущества от простой интеграции с платформой Ultralytics для управления наборами данных и облачного обучения.
• Сред с несколькими задачами: системы, которым одновременно нужны обнаружение объектов, классификация и сегментация.

Будущее: переход на YOLO26#

Сравнение YOLOv5 и YOLOv7 помогает понять эволюцию ИИ для компьютерного зрения, но передовые технологии продолжают развиваться. Выпущенная в январе 2026 года Ultralytics YOLO26 представляет собой огромный шаг вперёд, во многом делая старые архитектуры устаревшими для новых проектов.

Для разработчиков, которым нужна максимальная производительность, YOLO26 предлагает несколько революционных преимуществ перед YOLOv5 и YOLOv7:

• Сквозная архитектура без NMS: благодаря возможности пропустить постобработку с подавлением немаксимумов (nms=False) YOLO26 значительно упрощает развёртывание и обеспечивает более быстрые и стабильные задержки.
• Оптимизатор MuSGD: этот гибридный оптимизатор, вдохновлённый инновациями Moonshot AI в области LLM, обеспечивает исключительно стабильное обучение и быструю сходимость.
• Непревзойдённая скорость на периферийных устройствах: вариант nano специально оптимизирован для периферийных устройств и обеспечивает до 43% более быстрый инференс на CPU благодаря удалению Distribution Focal Loss (DFL).
• Высокая точность: новые функции потерь, такие как ProgLoss + STAL, значительно улучшают распознавание небольших объектов, что делает модель идеальной для обработки видео с дронов и робототехники.

Поддерживаешь существующий конвейер YOLOv5 или хочешь внедрить передовую YOLO26? Платформа Ultralytics предоставляет все необходимые инструменты для успеха в современном компьютерном зрении.