YOLOv5 и YOLOv8
При разработке масштабируемых и эффективных приложений компьютерного зрения крайне важно выбрать подходящую архитектуру. Экосистема Ultralytics постоянно совершенствуется, повышая скорость и точность и предоставляя разработчикам надёжные инструменты для практического внедрения. В этом техническом сравнении рассматриваются различия между YOLOv5 и YOLOv8, их архитектуры, компромиссы между характеристиками и оптимальные сценарии применения, чтобы ты мог принять взвешенное решение для следующего проекта в области ИИ.
Обе модели стали важными вехами в истории обнаружения объектов в реальном времени (object detection) и обладают низкими требованиями к памяти и простотой использования, характерными для экосистемы Ultralytics.
YOLOv5: надёжный отраслевой стандарт#
Представленная в 2020 году YOLOv5 быстро стала широко распространённым стандартом для быстрого, доступного и надёжного обнаружения объектов. Благодаря встроенной реализации на PyTorch она упростила процессы обучения и развёртывания для инженеров по всему миру.
- Авторы: Glenn Jocher
- Организация: Ultralytics
- Дата: 2020-06-26
- GitHub: ultralytics/yolov5
- Документация: Документация YOLOv5
Преимущества архитектуры#
YOLOv5 использует парадигму обнаружения объектов на основе якорей, опираясь на заранее заданные якорные рамки для предсказания границ объектов. В основе её архитектуры лежит магистральная сеть Cross-Stage Partial (CSP), которая оптимизирует распространение градиентов и сокращает избыточные вычисления. Благодаря небольшому объёму используемой памяти модель быстро обучается даже на обычных потребительских GPU.
Оптимальные сценарии применения#
YOLOv5 подходит для проектов, где приоритетны максимальная пропускная способность и минимальное использование ресурсов. Она отлично работает в средах периферийного ИИ, например на Raspberry Pi и мобильных устройствах. Зрелость модели подтверждена тысячами коммерческих внедрений, обеспечивающих стабильную работу в традиционных процессах обнаружения объектов.
YOLOv8: унифицированный фреймворк для компьютерного зрения#
Выпущенная в январе 2023 года YOLOv8 стала важным архитектурным шагом вперёд: узкоспециализированный детектор объектов превратился в универсальный многозадачный 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 якорей. Благодаря этому не нужно вручную настраивать конфигурации якорей с учётом распределения данных, что повышает способность модели к обобщению на разных наборах данных — от популярного набора данных COCO до разнообразных пользовательских данных.
В архитектуре также используется улучшенная магистральная сеть с модулем C2f (узкое место Cross-Stage Partial с двумя свёртками) вместо более старого модуля C3. Это улучшает представление признаков без существенного увеличения нагрузки на память. Кроме того, разделённая голова, в которой задачи классификации и регрессии выполняются отдельно, ускоряет сходимость при обучении модели.
Универсальность и Python API#
В YOLOv8 появился современный API Python ultralytics, стандартизирующий рабочий процесс для разных задач компьютерного зрения. Единый API требует лишь незначительно изменить конфигурацию, будь то сегментация экземпляров, классификация изображений или оценка позы.
from ultralytics import YOLO
# Загружаем предварительно обученную модель YOLOv8
model = YOLO("yolov8n.pt")
# Обучение на пользовательском наборе данных с эффективным использованием памяти из коробки
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Запуск инференса и простой разбор результатов
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()Подробное сравнение производительности#
При сравнении этих двух поколений виден классический компромисс: YOLOv8 обеспечивает более высокую среднюю точность (mAP) во всех категориях, тогда как YOLOv5 превосходит её по абсолютной скорости инференса и количеству параметров в самых маленьких вариантах.
Ниже приведено подробное сравнение показателей производительности моделей на наборе данных COCO при размере изображения 640 пикселей.
| 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Данные показывают, что YOLOv8 значительно повышает точность. Например, YOLOv8s достигает 44,9 mAP, тогда как YOLOv5s — 37,4 mAP: прирост в 7,5 пункта помогает в сценах с высокой плотностью объектов и при обнаружении небольших объектов. Однако для сред с жёсткими ограничениями самым эффективным вариантом остаётся YOLOv5n с наименьшим количеством параметров и операций FLOPs.
Обе модели оптимизированы для меньшего потребления памяти CUDA при обучении по сравнению с более ресурсоёмкими архитектурами, такими как модели на основе Transformer. Это позволяет специалистам использовать пакеты большего размера на стандартных GPU и ускорять цикл исследований.
Преимущества экосистемы#
При выборе YOLOv5 или YOLOv8 разработчики получают доступ к хорошо поддерживаемой платформе Ultralytics. Эта интегрированная среда предлагает простые инструменты для разметки наборов данных, обучения в облаке и мониторинга моделей, а пакет ultralytics включает встроенную настройку гиперпараметров. Активная разработка и поддержка сообщества помогают разработчикам быстро решать проблемы и интегрироваться с внешними инструментами, такими как Weights & Biases и ClearML.
В отличие от других фреймворков, освоение которых может потребовать больше времени, Ultralytics делает ставку на простой и удобный интерфейс, обеспечивая подходящий для разных реальных сценариев развёртывания баланс скорости и точности.
После v8: изучаем YOLO11 и YOLO26#
Хотя YOLOv8 — весьма функциональный фреймворк, искусственный интеллект развивается стремительно. Разработчикам, заинтересованным в передовых показателях, также стоит изучить YOLO11, которая развивает возможности v8, повышая точность и скорость.
Для новых проектов Ultralytics рекомендует Ultralytics YOLO26. Выпущенная в январе 2026 года YOLO26 получила несколько улучшений:
- Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, дополнительная голова one-to-one в YOLO26 (
nms=False) исключает постобработку с подавлением немаксимумов, упрощая и ускоряя конвейеры развёртывания. - Оптимизатор MuSGD: вдохновлённая новыми подходами к обучению LLM, применяемыми в таких моделях, как Kimi K2, YOLO26 использует гибридный оптимизатор, обеспечивающий более стабильное обучение и быструю сходимость.
- Периферийные вычисления: YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, поэтому хорошо подходит для устройств без выделенных GPU.
- Повышенная точность: новые прогрессивная функция потерь и назначение меток с учётом малых объектов (ProgLoss + STAL) улучшают распознавание небольших объектов, что особенно важно для робототехники и анализа аэрофотоснимков с дронов.
Будь то поддержка устаревшей системы на YOLOv5, масштабирование универсального приложения на YOLOv8 или внедрение YOLO26 в новые проекты — экосистема Ultralytics предоставляет инструменты для обучения, развёртывания и обслуживания современных систем компьютерного зрения на базе ИИ.
Комментарии1
Задай вопрос, поделись результатами или помоги кому-нибудь.
EllaSophia(изменено)
Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.