YOLOv5 и YOLOv8#

При создании масштабируемых и эффективных приложений для компьютерного зрения крайне важно правильно выбрать архитектуру. Развитие экосистемы Ultralytics последовательно расширяет границы скорости и точности, предоставляя разработчикам надежные инструменты для развертывания в реальных условиях. В этом техническом сравнении подробно рассматриваются различия между YOLOv5 и YOLOv8, их архитектуры, компромиссы между производительностью и требованиями, а также оптимальные варианты применения, чтобы ты мог принять обоснованное решение для своего следующего AI-проекта.

Обе эти модели стали важными вехами в истории детектирования объектов в реальном времени, и обе используют преимущества оптимизированных требований к памяти и простоты использования, характерных для экосистемы Ultralytics.

YOLOv5: надежный отраслевой стандарт#

Представленная в 2020 году, YOLOv5 быстро стала отраслевым стандартом для быстрого, доступного и надежного обнаружения объектов. Благодаря нативной реализации на базе PyTorch она упростила жизненный цикл обучения и развертывания для инженеров по всему миру.

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: ultralytics/yolov5
• Документация: Документация YOLOv5

Архитектурные преимущества#

YOLOv5 использует парадигму обнаружения на основе anchor-боксов, которая опирается на заранее заданные anchor-боксы для прогнозирования границ объектов. В ее архитектуру входит магистральная сеть с частичными связями между этапами (CSP), оптимизирующая прохождение градиентов и уменьшающая вычислительную избыточность. В результате модель отличается исключительно малым потреблением памяти, что делает ее особенно быстрой для обучения даже на стандартных пользовательских GPU.

Идеальные сценарии использования#

YOLOv5 настоятельно рекомендуется для проектов, где приоритет имеют максимальная пропускная способность и минимальное потребление ресурсов. Модель отлично подходит для сред периферийного ИИ, например при развертывании на Raspberry Pi или мобильных устройствах. Благодаря зрелости модели она прошла тщательную проверку в боевых условиях в тысячах коммерческих развертываний, обеспечивая непревзойденную стабильность для традиционных рабочих процессов детектирования объектов.

YOLOv8: унифицированный фреймворк компьютерного зрения#

Выпущенная в январе 2023 года, YOLOv8 ознаменовала масштабный архитектурный сдвиг, превратившись из специализированного детектора объектов в универсальный многоцелевой фреймворк компьютерного зрения.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLOv8

Архитектурные инновации#

В отличие от предшественницы, YOLOv8 использует голову обнаружения без anchor-боксов. Это устраняет необходимость вручную настраивать конфигурации anchor-боксов с учетом распределения данных, улучшая обобщающую способность на различных пользовательских наборах данных, таких как популярный набор данных COCO.

Архитектура также обновляет магистральную сеть с помощью модуля C2f (узкое место с частичными связями между этапами и двумя свертками), заменяя более старый модуль C3. Это улучшение повышает качество представления признаков без существенного увеличения нагрузки на память. Кроме того, реализация разделенной головы — с раздельными задачами оценки наличия объекта, классификации и регрессии — значительно ускоряет сходимость во время обучения модели.

Универсальность и Python API#

В YOLOv8 появился современный ultralytics Python API, стандартизирующий рабочий процесс для различных задач компьютерного зрения. Выполняешь ли ты сегментацию изображений, классификацию изображений или оценку позы, унифицированный API требует лишь незначительных изменений конфигурации.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train on a custom dataset with built-in memory efficiency
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference and easily parse results
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Подробное сравнение производительности#

При сравнении двух поколений мы видим классический компромисс: YOLOv8 обеспечивает более высокую среднюю точность (mAP) по всем направлениям, тогда как YOLOv5 сохраняет небольшое преимущество по абсолютной скорости вывода и количеству параметров в своих самых компактных вариантах.

Ниже приведено подробное сравнение показателей производительности обеих моделей на наборе данных COCO при размере изображения 640 пикселей.

Данные показывают, что YOLOv8 обеспечивает существенный прирост точности. Например, YOLOv8s достигает 44.9 mAP по сравнению с 37.4 mAP у YOLOv5s, что является огромным скачком и значительно повышает производительность в плотных сценах или при обнаружении небольших объектов. Однако для сред с крайне жесткими ограничениями YOLOv5n остается исключительно эффективной, обладая наименьшим количеством параметров и FLOPs.

Преимущество экосистемы#

Выбирая YOLOv5 или YOLOv8, разработчики получают доступ к хорошо поддерживаемой платформе Ultralytics. Эта интегрированная среда предоставляет простые инструменты для разметки наборов данных, настройки гиперпараметров, облачного обучения и мониторинга моделей. Активная разработка и сильная поддержка сообщества позволяют разработчикам быстро решать проблемы и интегрироваться с внешними инструментами, такими как Weights & Biases и ClearML.

В то время как другие фреймворки могут отличаться сложным процессом освоения, Ultralytics ставит во главу угла оптимизированный пользовательский опыт, обеспечивая благоприятный баланс между скоростью и точностью, подходящий для различных сценариев развертывания в реальных условиях.

За пределами v8: знакомство с YOLO11 и YOLO26#

Хотя YOLOv8 — весьма функциональный фреймворк, область искусственного интеллекта развивается стремительно. Разработчикам, заинтересованным в передовых показателях производительности, также стоит изучить YOLO11, которая развивает идеи v8, повышая точность и скорость.

Тем, кто стремится использовать самые передовые технологии компьютерного зрения, мы настоятельно рекомендуем Ultralytics YOLO26. Выпущенная в 2026 году, YOLO26 представляет собой огромный шаг вперед:

• Сквозная архитектура без NMS: изначально разработанная в экспериментальных архитектурах, YOLO26 нативно устраняет постобработку подавления немаксимумов, что значительно упрощает и ускоряет конвейеры развертывания.
• Оптимизатор MuSGD: вдохновленная инновациями в обучении LLM, реализованными в таких моделях, как Kimi K2, YOLO26 использует гибридный оптимизатор для более стабильного обучения и быстрой сходимости.
• Мастерство периферийных вычислений: благодаря до 43% более быстрому выводу на CPU по сравнению с предыдущими поколениями эта модель идеально подходит для устройств без выделенных GPU.
• Повышенная точность: используя новые функции потерь ProgLoss + STAL, модель значительно улучшает распознавание небольших объектов, что критически важно для задач робототехники и аэрофотосъемки с дронов.

Будь то поддержка устаревшей системы на базе YOLOv5, масштабирование универсального приложения с YOLOv8 или внедрение инноваций с передовыми возможностями YOLO26 — пакет Ultralytics предоставляет все необходимые инструменты для успеха в современном компьютерном зрении и AI.