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:
- 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
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.