YOLOv5 vs YOLOv7: Подробное сравнение

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое уравновешивает потребность в скорости, точности и простоте развертывания. На этой странице представлено техническое сравнение между Ultralytics YOLOv5 и YOLOv7, двумя влиятельными моделями в области компьютерного зрения. Хотя обе внесли значительный вклад, Ultralytics YOLOv5 выделяется своим исключительным балансом производительности, удобным дизайном и всесторонней, хорошо поддерживаемой экосистемой, что делает ее предпочтительным выбором для широкого спектра реальных приложений.

Ultralytics YOLOv5: Устоявшийся отраслевой стандарт

Ultralytics YOLOv5, выпущенный в 2020 году Гленном Джохером, быстро стал одной из самых популярных моделей обнаружения объектов благодаря замечательному сочетанию скорости, точности и простоты использования. Разработанный полностью на PyTorch, YOLOv5 хорошо оптимизирован, предлагая упрощенный опыт от обучения до развертывания.

Автор: Гленн Джокер
Организация: Ultralytics
Дата: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
Документация: https://docs.ultralytics.com/models/yolov5/

Архитектура и ключевые особенности YOLOv5

YOLOv5 имеет гибкую и эффективную архитектуру, построенную на бэкбоне CSPDarknet53 и neck PANet для эффективного агрегирования признаков. Он использует head обнаружения на основе anchor-ов, который был усовершенствован в течение многочисленных выпусков. Одной из его ключевых сильных сторон является разнообразие размеров моделей (n, s, m, l, x), что позволяет разработчикам выбирать оптимальный компромисс между производительностью и вычислительными ресурсами. Эта масштабируемость делает его подходящим для всего, от легких периферийных устройств до мощных облачных серверов.

Сильные стороны YOLOv5

• Простота использования: YOLOv5 известна своими простыми интерфейсами Python и CLI, обширной документацией, а также простыми конвейерами обучения и логического вывода.
• Хорошо поддерживаемая экосистема: Поддерживается надежной экосистемой Ultralytics, которая включает активную разработку, большое сообщество, частые обновления и мощные инструменты, такие как Ultralytics HUB, для обучения и развертывания без кода.
• Баланс производительности: YOLOv5 обеспечивает отличный компромисс между скоростью вывода и точностью обнаружения, что делает его очень практичным для различных реальных сценариев.
• Универсальность и эффективность обучения: Он поддерживает несколько задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров и классификацию изображений. Процесс обучения эффективен, с легкодоступными предварительно обученными весами и более низкими требованиями к памяти по сравнению с более сложными архитектурами.

Слабые стороны YOLOv5

• Пределы точности: Несмотря на высокую точность, новые модели превзошли его показатели mAP в стандартных тестах, таких как COCO.
• Дизайн на основе Anchor: Его опора на предопределенные anchor boxes иногда может потребовать большей настройки для наборов данных с объектами необычной формы по сравнению с современными подходами без anchor.

Варианты использования YOLOv5

• Приложения реального времени: Идеально подходят для приложений, требующих быстрого инференса, таких как робототехника, машинное зрение дронов в приложениях компьютерного зрения в операциях ИИ с дронами и анализ видео в реальном времени.
• Развертывание на периферии (Edge Deployment): Хорошо подходит для развертывания на периферийных устройствах с ограниченными ресурсами благодаря своей эффективной конструкции и небольшим размерам моделей. Ознакомьтесь с руководствами по развертыванию NVIDIA Jetson.
• Быстрое прототипирование: Отличный выбор для быстрого прототипирования и развертывания решений для обнаружения объектов благодаря простоте использования и широкой поддержке.

Узнайте больше о YOLOv5

YOLOv7: Высокая точность фокусировки

YOLOv7, созданный Чен-Яо Вангом, Алексеем Бочковским и Хонг-Юанем Марком Ляо, был выпущен 6 июля 2022 года. Он представил несколько архитектурных оптимизаций и стратегий обучения, известных как "trainable bag-of-freebies", направленных на расширение границ точности при сохранении скорости в реальном времени.

Авторы: Чен-Яо Ванг, Алексей Бочковский и Хонг-Юань Марк Ляо
Организация: Институт информатики, Academia Sinica, Тайвань
Дата: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
Документация: https://docs.ultralytics.com/models/yolov7/

Архитектура и ключевые особенности YOLOv7

• E-ELAN: Использует Extended Efficient Layer Aggregation Network (E-ELAN) в backbone для повышения способности к обучению.
• Масштабирование модели: Реализует сложное масштабирование для глубины и ширины модели, чтобы оптимизировать ее для различных вычислительных ресурсов.
• Обучение с использованием вспомогательной головы: Использует вспомогательные головы во время обучения (удаляются во время инференса) для улучшения изучения признаков.
• Bag-of-Freebies: Использует передовые методы обучения для повышения точности без увеличения стоимости inference.

Сильные стороны YOLOv7

• Высокая точность: Достигает высоких показателей mAP на таких бенчмарках, как COCO, особенно с более крупными вариантами моделей.
• Эффективные методы обучения: Включает новые стратегии обучения для максимизации производительности.

Слабые стороны YOLOv7

• Сложность: Архитектура и процесс обучения могут быть более сложными по сравнению с оптимизированным подходом Ultralytics YOLOv5.
• Экосистема и поддержка: Отсутствует обширная документация, учебные пособия и интегрированная экосистема, предоставляемые Ultralytics для YOLOv5.
• Требовательность к ресурсам: Более крупные модели требуют значительных вычислительных ресурсов, что может ограничить развертывание на устройствах с ограниченными ресурсами.

Варианты использования YOLOv7

• Высокопроизводительное обнаружение: Подходит для приложений, где достижение абсолютно наивысшей точности имеет решающее значение и вычислительные ресурсы менее ограничены, например, в автономных транспортных средствах.
• Исследования: Используется в академических исследованиях, изучающих современные методы обнаружения объектов.

Узнайте больше о YOLOv7

Производительность и техническое сравнение

Прямое сравнение YOLOv5 и YOLOv7 на наборе данных COCO выявляет ключевые различия в их профилях производительности. Модели YOLOv7 обычно достигают более высоких показателей mAP, но часто за счет повышенной сложности и требований к ресурсам. В отличие от этого, Ultralytics YOLOv5 предлагает более сбалансированный профиль, превосходно справляясь со скоростью инференса на CPU и поддерживая конкурентоспособную точность, что имеет решающее значение для многих реальных развертываний.

Заключение: какую модель вам следует выбрать?

Выбор между YOLOv5 и YOLOv7 во многом зависит от приоритетов проекта.

YOLOv7 — отличный выбор для исследователей и разработчиков, которым требуется максимально возможная точность на стандартных бенчмарках и которые имеют доступ к значительным вычислительным ресурсам. Ее инновационные методы обучения показывают, как расширить границы производительности.

Однако, для подавляющего большинства практических приложений Ultralytics YOLOv5 остается превосходным выбором. Его ключевые преимущества — простота использования, быстрое развертывание, отличный баланс скорости и точности и процветающая экосистема — делают его невероятно эффективным и надежным инструментом. Он позволяет разработчикам быстро создавать надежные решения компьютерного зрения, от первоначального прототипа до развертывания в производство.

Кроме того, экосистема Ultralytics продолжает развиваться. Новые модели, такие как YOLOv8 и YOLO11, построены на основе YOLOv5, предлагая еще лучшую производительность и большую универсальность в таких задачах, как сегментация, оценка позы и отслеживание. Для разработчиков, ищущих современную, перспективную и удобную платформу, семейство Ultralytics YOLO предоставляет наиболее убедительное и комплексное решение.

Изучите другие модели

Если вы изучаете модели обнаружения объектов, вам также могут быть интересны следующие сравнения:

• YOLOv5 против YOLOv8
• YOLOv5 против YOLOv9
• YOLOv7 против YOLOv8
• YOLOv7 против YOLO11
• RT-DETR против YOLOv7
• Ознакомьтесь с последними моделями, такими как YOLOv10 и YOLO11.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии