YOLOv5 и YOLOv8#

При создании масштабируемых и эффективных приложений для компьютерного зрения крайне важно выбрать подходящую архитектуру. Экосистема Ultralytics постоянно расширяет границы скорости и точности, предоставляя разработчикам надёжные инструменты для реального развертывания. В этом техническом сравнении подробно рассматриваются различия между YOLOv5 и YOLOv8, особенности их архитектур и компромиссы в производительности, а также оптимальные сценарии применения, чтобы ты мог принять взвешенное решение для следующего проекта с ИИ.

Обе модели стали важными вехами в развитии обнаружения объектов в реальном времени. Для них характерны высокая оптимизация потребления памяти и простота использования, присущие экосистеме Ultralytics.

YOLOv5: надёжный отраслевой стандарт#

Выпущенная в 2020 году YOLOv5 быстро стала отраслевым стандартом быстрого, доступного и надёжного обнаружения объектов. Благодаря встроенной реализации на PyTorch она упростила для инженеров во всём мире процессы обучения и развертывания.

• 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 и предопределённые якорные рамки для прогнозирования границ объектов. В её архитектуру входит базовая сеть Cross-Stage Partial (CSP), которая оптимизирует поток градиентов и сокращает избыточные вычисления. Благодаря этому модель занимает совсем мало памяти и очень быстро обучается даже на обычных потребительских GPU.

Оптимальные сценарии применения#

YOLOv5 особенно рекомендуется для проектов, где важны максимальная пропускная способность и минимальное потребление ресурсов. Модель отлично подходит для сред периферийного ИИ, например для развертывания на Raspberry Pi или мобильных устройствах. Благодаря зрелости модели, проверенной в тысячах коммерческих развертываний, она обеспечивает непревзойдённую стабильность в традиционных рабочих процессах обнаружения объектов.

YOLOv8: унифицированный фреймворк для компьютерного зрения#

Выпущенная в январе 2023 года YOLOv8 ознаменовала масштабный архитектурный сдвиг: узкоспециализированный детектор объектов превратился в универсальный фреймворк для решения различных задач 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 безъякорную голову обнаружения. Это избавляет от необходимости вручную настраивать конфигурации якорей с учётом распределения данных в наборе и улучшает обобщающую способность на различных пользовательских наборах данных, таких как популярный набор данных COCO.

Кроме того, в архитектуре используется улучшенный базовый модуль C2f (узкое место Cross-Stage Partial с двумя свёртками), заменивший прежний модуль C3. Это улучшение расширяет представление признаков без значительного увеличения расхода памяти. Реализация разделённой головы, которая разделяет задачи классификации и регрессии, также значительно ускоряет сходимость при обучении модели.

Универсальность и Python API#

В YOLOv8 представлен современный Python API ultralytics, который стандартизирует рабочие процессы для различных задач компьютерного зрения. Для сегментации изображений, классификации изображений и оценки позы достаточно внести небольшие изменения в конфигурацию единого API.

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 двух поколений моделей виден классический компромисс: YOLOv8 обеспечивает более высокую среднюю точность (mAP) в целом, 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.

Данные показывают, что YOLOv8 значительно повышает точность. Например, YOLOv8s обеспечивает mAP 44,9 против 37,4 у YOLOv5s — существенный прирост, который заметно улучшает результаты в условиях высокой плотности объектов или при обнаружении небольших объектов. Однако для сред с крайне жёсткими ограничениями YOLOv5n остаётся исключительно эффективным вариантом с наименьшим количеством параметров и FLOPs.

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.

Другие фреймворки могут быть сложны в освоении, но Ultralytics делает упор на удобство работы, обеспечивая оптимальный баланс скорости и точности для разнообразных сценариев реального развертывания.

После v8: изучаем YOLO11 и YOLO26#

YOLOv8 — мощный фреймворк, однако искусственный интеллект быстро развивается. Разработчикам, которым нужны передовые показатели производительности, стоит также изучить YOLO11, которая развивает возможности v8, повышая точность и скорость.

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

• Сквозная архитектура без NMS: Впервые опробованная в экспериментальных архитектурах, опциональная однонаправленная голова YOLO26 (nms=False) устраняет постобработку с подавлением немаксимумов, значительно упрощая и ускоряя конвейеры развёртывания.
• Оптимизатор MuSGD: Вдохновлённый новыми методами обучения LLM, применёнными в таких моделях, как Kimi K2, YOLO26 использует гибридный оптимизатор для более стабильного обучения и быстрой сходимости.
• Эффективность на периферийных устройствах: Благодаря ускорению инференса на CPU до 43% по сравнению с предыдущими поколениями это идеальная модель для устройств без выделенного GPU.
• Повышенная точность: Новые функции потерь ProgLoss + STAL значительно улучшают распознавание небольших объектов, что особенно важно для робототехники и съёмки с воздушных дронов.

Для поддержки устаревшей системы на YOLOv5, масштабирования универсального приложения на YOLOv8 или внедрения новейших возможностей YOLO26 набор Ultralytics предоставляет полный инструментарий, необходимый для успеха в современном ИИ для компьютерного зрения.