YOLOv7 против YOLOv5: подробное техническое сравнение

При выборе модели обнаружения объектов разработчики часто взвешивают компромиссы между скоростью, точностью и простотой использования. Ultralytics YOLOv5 и YOLOv7 — две ключевые модели в области компьютерного зрения, каждая со своими отличительными сильными сторонами. Эта страница содержит подробное техническое сравнение, которое поможет вам решить, какая модель лучше всего подходит для нужд вашего проекта, выделяя их архитектурные различия, эталоны производительности и идеальные приложения.

Несмотря на то, что YOLOv7 раздвинула границы точности после своего выпуска, Ultralytics YOLOv5 зарекомендовала себя как эталон эффективности, быстрого развертывания и доступности, подкрепленный надежной и хорошо поддерживаемой экосистемой.

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 установление нового уровня точности для детекторов объектов в реальном времени при сохранении высокой скорости.

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

Архитектура YOLOv7 построена на нескольких ключевых инновациях, предназначенных для улучшения изучения признаков и оптимизации модели для более быстрого вывода после обучения.

Расширенная сеть агрегации эффективных слоев (E-ELAN): Этот модуль в backbone повышает способность сети к обучению за счет более эффективного управления путями градиента, позволяя ей изучать более разнообразные признаки.
Масштабирование модели: Реализует метод составного масштабирования для моделей на основе конкатенации, регулируя глубину и ширину модели в соответствии с различными вычислительными бюджетами.
Обучаемый набор бесплатных улучшений: Использует передовые методы обучения, такие как вспомогательные заголовки и оптимизированное назначение меток, для повышения точности без увеличения стоимости вывода. Эти вспомогательные заголовки используются только во время обучения для усиления изучения признаков и удаляются для вывода.

Сильные стороны YOLOv7

Высокая точность: Достигает высоких показателей mAP в тестах, таких как COCO, часто превосходя современные модели по точности.
Эффективные методы обучения: Включает новые стратегии обучения, которые максимизируют производительность без увеличения вычислительной нагрузки во время инференса.

Слабые стороны YOLOv7

Сложность: Архитектура и процесс обучения, с такими функциями, как вспомогательные заголовки, могут быть более сложными для понимания и модификации по сравнению с упрощенным подходом Ultralytics YOLOv5.
Экосистема и поддержка: Отсутствует обширная документация, учебные пособия и интегрированная экосистема, предоставляемые Ultralytics. Это может усложнить развертывание и устранение неполадок для разработчиков.
Требовательность к ресурсам: Более крупные модели YOLOv7 требуют значительных вычислительных ресурсов для обучения, что может ограничить их доступность для пользователей с ограниченным аппаратным обеспечением.

Варианты использования YOLOv7

Высокопроизводительное обнаружение: Подходит для приложений, где достижение абсолютно наивысшей точности имеет решающее значение, например, для продвинутого видеонаблюдения или автономных транспортных средств.
Исследования и бенчмаркинг: Часто используется в академических исследованиях для изучения современных методов обнаружения объектов и расширения границ производительности.

Узнайте больше о YOLOv7

Ultralytics YOLOv5: Скорость и простота

Ultralytics YOLOv5, разработанный Гленном Джохером, был выпущен 26 июня 2020 года. Он быстро стал одной из самых популярных моделей обнаружения объектов благодаря исключительному балансу скорости, точности и, самое главное, простоте использования. Он построен на PyTorch и предназначен для быстрого обучения, надежного развертывания и доступности.

Авторы: Glenn Jocher
Организация: Ultralytics
Дата: 2020-06-26
Arxiv: Отсутствует
GitHub: https://github.com/ultralytics/yolov5
Документация: https://docs.ultralytics.com/models/yolov5/

Архитектура и ключевые особенности YOLOv5

YOLOv5 имеет простую, но мощную архитектуру, которая в высшей степени оптимизирована как для обучения, так и для инференса.

Архитектура на основе CSP: Использует сеть Cross Stage Partial (CSP) как в своей магистральной сети, так и в neck (PANet) для оптимизации потока признаков и уменьшения вычислительных узких мест.
Масштабируемое семейство моделей: Предлагает ряд моделей от Nano (YOLOv5n) до Extra-Large (YOLOv5x), что позволяет пользователям выбирать идеальный баланс между скоростью и точностью для своих конкретных нужд, от легких периферийных устройств до высокопроизводительных облачных серверов.
Ориентированность на разработчиков: Разработан с нуля для простоты. Он включает автоматическую генерацию якорей, интегрированное отслеживание экспериментов и оптимизированный конвейер обучения, который прост в использовании как для начинающих, так и для экспертов.

Преимущества Ultralytics YOLOv5

Простота использования: YOLOv5 славится своим простым пользовательским интерфейсом. С простым pip install ultralytics command, удобный для пользователя CLI, и обширные документацию, начать работу невероятно быстро.
Хорошо поддерживаемая экосистема: Преимущества непрерывной разработки от Ultralytics, сильного сообщества с открытым исходным кодом и бесшовной интеграции с такими инструментами, как Ultralytics HUB, для обучения и развертывания без кода.
Баланс производительности: Обеспечивает превосходный компромисс между скоростью и точностью. Ее небольшие модели, такие как YOLOv5n, невероятно быстры и идеально подходят для инференса в реальном времени на CPU и периферийных устройствах.
Эффективность обучения: Процесс обучения очень эффективен, с более быстрым временем сходимости и более низкими требованиями к памяти по сравнению со многими другими моделями. Предварительно обученные веса легко доступны, а пользовательское обучение — простое.
Универсальность: Изначально поддерживает несколько задач, включая обнаружение объектов, сегментацию экземпляров и классификацию изображений.

Слабые стороны Ultralytics YOLOv5

Пиковая точность: Будучи весьма конкурентоспособными, самые большие модели YOLOv5 могут не соответствовать пиковому mAP самых больших вариантов YOLOv7 на определенных эталонных тестах, поскольку YOLOv7 была специально разработана для максимизации этого показателя.

Сценарии использования Ultralytics YOLOv5

Приложения реального времени: Идеально подходит для приложений, требующих быстрого вывода, таких как робототехника, машинное зрение дронов и анализ видео в реальном времени.
Edge Deployment: Хорошо подходит для развертывания на периферийных устройствах с ограниченными ресурсами, таких как NVIDIA Jetson, благодаря своей эффективной конструкции и небольшим размерам моделей.
Быстрое прототипирование: Отличный выбор для быстрой разработки и развертывания решений для обнаружения объектов благодаря простоте использования и широкой поддержке.

Узнайте больше о YOLOv5

Производительность и тесты: YOLOv7 против YOLOv5

Ключевое различие в производительности заключается в их приоритетах проектирования. YOLOv7 стремится к максимальной точности, в то время как YOLOv5 предоставляет более сбалансированный и практичный набор опций.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

YOLOv5n	640	28.0	73.6	1.12	2.6	7.7
YOLOv5s	640	37.4	120.7	1.92	9.1	24.0
YOLOv5m	640	45.4	233.9	4.03	25.1	64.2
YOLOv5l	640	49.0	408.4	6.61	53.2	135.0
YOLOv5x	640	50.7	763.2	11.89	97.2	246.4

Как показывает таблица, модели YOLOv7 достигают впечатляющих показателей mAP с конкурентоспособной скоростью GPU. Однако Ultralytics YOLOv5 предлагает превосходный диапазон опций для различных сценариев развертывания. Модели YOLOv5n и YOLOv5s значительно быстрее как на CPU, так и на GPU, что делает их очевидным выбором для приложений с низкой задержкой и периферийных вычислений.

Заключение: какую модель вам следует выбрать?

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

Выбирайте YOLOv7, если ваша основная цель — достижение максимально возможной точности обнаружения и у вас есть вычислительные ресурсы и технический опыт для управления его более сложной архитектурой и конвейером обучения. Это отличная модель для исследований и специализированных приложений, где производительность имеет первостепенное значение.
Выбирайте Ultralytics YOLOv5, если вы цените быструю разработку, простоту использования и гибкость развертывания. Его оптимизированный рабочий процесс, обширная документация и сильный баланс производительности делают его идеальным выбором для большинства коммерческих и практических приложений. Независимо от того, являетесь ли вы новичком или опытным специалистом, надежная экосистема YOLOv5 ускоряет путь от концепции до производства.

Для большинства разработчиков практические преимущества и всесторонняя поддержка Ultralytics YOLOv5 делают его более привлекательным выбором. Его преемники, такие как Ultralytics YOLOv8, продолжают это наследие, предлагая еще лучшую производительность и больше функций в рамках той же удобной платформы.

Изучите другие модели

Тем, кто интересуется последними достижениями, стоит изучить новые модели в экосистеме Ultralytics.

Ultralytics YOLOv8: Преемник YOLOv5, предлагающий улучшенную точность, скорость и унифицированный API для обнаружения, сегментации, оценки позы и отслеживания. См. прямое сравнение YOLOv8 и YOLOv7.
Ultralytics YOLOv10: Современная модель, ориентированная на обнаружение без NMS, end-to-end, для снижения задержки и повышения эффективности.
Ultralytics YOLO11: Новейшая передовая модель от Ultralytics, подчеркивающая скорость, эффективность и простоту использования благодаря конструкции без привязки к якорям.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад