Начать

YOLOv5 и YOLOX

Развитие компьютерного зрения в реальном времени отмечено множеством важных этапов: разные архитектуры повышали скорость и точность. Среди наиболее влиятельных моделей в этой области — YOLOv5 и YOLOX. Обе модели отличаются высокой эффективностью при обнаружении объектов, но используют принципиально разные архитектурные подходы.

В этом руководстве приводится технический анализ обеих моделей: сравниваются их архитектуры, метрики производительности, методики обучения и оптимальные сценарии развёртывания. Это поможет разработчикам и исследователям выбрать подходящий инструмент для проектов в области ИИ и компьютерного зрения.

Обзор моделей и различия архитектур#

Ultralytics YOLOv5#

Представленная Ultralytics, YOLOv5 быстро стала отраслевым стандартом благодаря оптимальному балансу производительности, простоты использования и эффективности памяти. Построенная на фреймворке PyTorch, YOLOv5 использует архитектуру с якорными рамками. Для предсказания местоположения объектов модель опирается на заранее заданные формы ограничивающих рамок, что делает её особенно эффективной для стандартных задач обнаружения объектов.

Одна из главных сильных сторон YOLOv5 — хорошо поддерживаемая экосистема. В неё входят подробная документация, простой Python API и встроенная интеграция с платформой Ultralytics. Это позволяет разработчикам сразу переходить от разметки датасета к обучению и экспорту в такие форматы, как ONNX и TensorRT.

Преимущества экосистемы

Для обучения моделей Ultralytics YOLO обычно требуется значительно меньше памяти GPU, чем для сложных альтернатив на основе Transformer. Благодаря небольшому объёму используемой памяти YOLOv5 подходит широкому кругу исследователей, работающих на потребительском оборудовании.

YOLOX от Megvii#

Исследователи Megvii пошли другим путём и добавили в семейство YOLO архитектуру без якорей. Отказавшись от якорных рамок, YOLOX упрощает голову детектора и значительно сокращает число эвристических параметров, которые нужно вручную настраивать при обучении.

В YOLOX также используется раздельная голова — задачи классификации и регрессии разделены между разными ветвями сети — и стратегия назначения меток SimOTA. Эти инновации сокращают разрыв между академическими исследованиями и промышленными приложениями, благодаря чему YOLOX особенно эффективна в сценариях с большим разнообразием масштабов объектов.

Узнай больше о YOLOX

Производительность и метрики#

При оценке моделей компьютерного зрения критически важно учитывать компромисс между средней точностью (mAP) и скоростью инференса. Обе модели представлены в нескольких размерах — от Nano до Extra-Large — для разных аппаратных ограничений.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

Хотя YOLOXx достигает немного более высокой максимальной точности (51,1 mAP), YOLOv5 предлагает более зрелый и широко проверенный конвейер развёртывания на CPU и GPU. Кроме того, при одинаковых размерах YOLOv5 показывает меньшую задержку TensorRT на T4, поэтому модель надёжно подходит для аналитики видео в реальном времени.

Методики обучения и удобство использования#

Удобство работы для разработчиков существенно различается у этих двух архитектур.

Подход YOLOX#

Обучение YOLOX обычно требует клонирования исходного репозитория, установки определённых зависимостей и запуска сложных скриптов командной строки. Модель поддерживает продвинутые функции, например обучение со смешанной точностью и работу в нескольких узлах через MegEngine, но разработчикам, которым нужно быстро создавать прототипы, её освоение может датьсь непросто.

Преимущества Ultralytics#

В свою очередь, Ultralytics уделяет особое внимание удобству работы. С помощью Python-пакета ultralytics разработчики могут загружать, обучать и проверять модели, используя минимум шаблонного кода. Ultralytics автоматически выполняет аугментацию данных и планирование скорости обучения, а также предоставляет встроенную настройку гиперпараметров.

from ultralytics import YOLO

# Загрузить предварительно обученную малую модель YOLOv5
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Проверка производительности модели
metrics = model.val()

Универсальность YOLOv5 выходит за рамки стандартного обнаружения объектов: оригинальный репозиторий YOLOv5 поддерживает сегментацию экземпляров и классификацию изображений, а пакет ultralytics охватывает эти задачи с помощью более новых моделей, например YOLO26.

Упрощенное развертывание

По завершении обучения экспорт модели YOLOv5 в ONNX, CoreML, LiteRT или OpenVINO выполняется одним вызовом, например model.export(format="onnx"). Благодаря этому не нужны сторонние скрипты конвертации, которые часто требуются для исследовательских репозиториев.

Применение в реальных условиях#

Выбор между этими моделями зависит от среды развертывания и технических требований:

  • Розничная торговля и управление запасами: YOLOv5 хорошо подходит для приложений, которым требуется распознавать товары в реальном времени на периферийных устройствах, например NVIDIA Jetson. Небольшой объём памяти и высокая скорость инференса TensorRT позволяют создавать многокамерные конвейеры с частотой кадров в реальном времени.
  • Академические исследования и пользовательские архитектуры: YOLOX высоко ценят в исследовательском сообществе. Раздельная голова и отсутствие якорей делают её отличной базовой моделью для инженеров, которые хотят экспериментировать с новыми стратегиями назначения меток, а также для работы с датасетами, на которых традиционные якорные рамки не обеспечивают хорошую обобщающую способность.
  • ИИ в сельском хозяйстве: При решении задач точного земледелия, например обнаружении фруктов или сорняков с помощью дронов, простота обучения и развертывания моделей YOLOv5 через платформу Ultralytics позволяет экспертам в предметной области внедрять решения на основе ИИ без глубоких инженерных знаний в машинном обучении.

Сценарии использования и рекомендации#

Выбор между YOLOv5 и YOLOX зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

  • Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
  • Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
  • Широкая поддержка форматов экспорта: проекты, требующие развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.

Когда стоит выбрать YOLOX#

YOLOX подойдёт для следующих задач:

  • Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
  • Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн параметров).
  • Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Будущее компьютерного зрения на базе ИИ: встречай YOLO26#

YOLOv5 и YOLOX прочно вошли в историю компьютерного зрения, однако эта область стремительно развивается. Разработчикам, которые начинают новые проекты сегодня, Ultralytics рекомендует свою новейшую модель — YOLO26.

Выпущенная в январе 2026 года YOLO26 значительно улучшает производительность и удобство использования. В модели появилась опциональная сквозная архитектура без NMS (включается параметром nms=False), которая исключает постобработку с подавлением немаксимумов. Это уменьшает вариативность задержки и упрощает логику развёртывания на устройствах с низким энергопотреблением.

Кроме того, в YOLO26 используется оптимизатор MuSGD — гибрид SGD и Muon, созданный под влиянием инноваций в обучении LLM и обеспечивающий стабильную и быструю сходимость. Благодаря удалению DFL (Distribution Focal Loss удалена, что упрощает экспорт и повышает совместимость с периферийными устройствами и устройствами с низким энергопотреблением) YOLO26n выполняет инференс на CPU до 43% быстрее, чем YOLO11n, поэтому YOLO26 отлично подходит для современных периферийных вычислений, робототехники и приложений IoT. Кроме того, ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учётом малых объектов) заметно повышают точность распознавания небольших объектов — это особенно важно для IoT, робототехники и аэрофотосъёмки. Пользователи, которым интересны предыдущие поколения, могут также рассмотреть YOLO11, однако для новых проектов рекомендуется YOLO26.

Заключение#

И YOLOv5, и YOLOX эффективно обнаруживают объекты. В 2021 году YOLOX показала, что безъякорные архитектуры могут сравниться с методами на основе якорных рамок и даже превзойти их. Однако YOLOv5 остаётся широко востребованной благодаря простоте использования, развитой экосистеме и меньшим требованиям к памяти во время обучения.

Для подавляющего большинства коммерческих приложений экосистема Ultralytics обеспечивает самый быстрый путь от исходного датасета до готовой к эксплуатации модели. Используя проверенную YOLOv5 или переходя на YOLO26, разработчики получают фреймворк, созданный для доступного и эффективного применения ИИ в области компьютерного зрения.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.