YOLOv7 против YOLOv5#

При создании современных конвейеров computer vision выбор правильной архитектуры детектирования объектов критически важен для достижения баланса между точностью, скоростью инференса и использованием ресурсов. Это подробное сравнение рассматривает две весьма влиятельные модели в сфере компьютерного зрения: YOLOv7 и Ultralytics YOLOv5.

Анализируя их архитектурные различия, показатели производительности и идеальные сценарии развертывания, мы стремимся помочь разработчикам и исследователям выбрать лучшую модель для их конкретных требований.

История и происхождение моделей#

Понимание происхождения этих моделей дает представление об их философиях проектирования и целевых вариантах использования.

YOLOv5#

Выпущенная Гленном Джочером и командой Ultralytics 26 июня 2020 года, YOLOv5 произвела революцию в этой области, предоставив нативную реализацию PyTorch, в которой удобство использования ставилось во главу угла без ущерба для производительности. Она быстро стала отраслевым стандартом благодаря невероятно оптимизированной экосистеме и надежной динамике обучения. Ты можешь изучить исходный код в репозитории YOLOv5 на GitHub или получить доступ к модели напрямую через платформу Ultralytics.

Узнай больше о YOLOv5

YOLOv7#

Представлена Чиен-Яо Вангом, Алексеем Бочковским и Хонг-Яон Марком Ляо из Института информационной науки Академии Синика на Тайване 6 июля 2022 года. YOLOv7 уделяла особое внимание архитектурным инновациям, таким как сети расширенного эффективного агрегирования признаков (E-ELAN) и обучаемый «набор бесплатных улучшений» (bag-of-freebies), чтобы раздвинуть границы передовой точности. Подробности можно найти в их официальной статье на Arxiv и репозитории YOLOv7 на GitHub. Для бесшовной интеграции ознакомься с документацией Ultralytics YOLOv7.

Узнай больше о YOLOv7

Архитектурные инновации#

Архитектура Ultralytics YOLOv5#

YOLOv5 использует модифицированный бэкбон CSPDarknet53 в паре с шейпом Path Aggregation Network (PANet). Данная конструкция высоко оптимизирована для быстрого извлечения признаков и эффективного использования памяти. В отличие от более старых архитектур или тяжелых моделей transformer, YOLOv5 требует значительно меньше памяти CUDA во время обучения, что позволяет использовать бо́льшие размеры батча на стандартных потребительских GPU. Кроме того, фреймворк Ultralytics изначально поддерживает широкий спектр задач помимо стандартных ограничивающих рамок, включая сегментацию изображений и классификацию изображений.

Архитектура YOLOv7#

В YOLOv7 введены несколько структурных репараметризаций и архитектура E-ELAN, которая позволяет сети изучать более разнообразные признаки, не разрушая исходный путь градиентов. В ней также реализована вспомогательная голова для промежуточного контроля в процессе обучения. Хотя эти достижения обеспечивают высокую среднюю точность (mAP), они зачастую привносят сложные тензорные структуры, которые могут сделать экспорт в форматы для периферийных устройств, такие как ONNX или TensorRT, несколько более сложным по сравнению с оптимизированными экспортными возможностями, встроенными в модели Ultralytics.

Анализ производительности#

Сравнивая эти модели, разработчики должны соблюдать баланс между mAP^val, скоростью инференса и вычислительной сложностью (FLOPs). Таблица ниже демонстрирует производительность обеих архитектур, оцененную на датасете COCO.

Основные выводы#

• Предел точности: YOLOv7x достигает самой высокой общей точности в 53.1 mAP^val, что делает ее крайне конкурентоспособной для сценариев, где максимизация производительности обнаружения является основной целью.
• Скорость и эффективность: Ultralytics YOLOv5n — это чудо эффективности, предлагающее молниеносную задержку инференса (1.12 мс на T4 TensorRT) с минимальным объемом памяти всего в 2.6 млн параметров. Это делает ее непревзойденным выбором для развертывания на периферийных устройствах с жесткими ограничениями.
• Баланс производительности: Серия YOLOv5 предоставляет исключительный градиент моделей. YOLOv5l предлагает отличную золотую середину, немного уступая YOLOv7l по точности, но предлагая высокозрелый конвейер развертывания.

Преимущества экосистемы Ultralytics#

Архитектура модели — это только половина уравнения; экосистема вокруг нее определяет её реальную жизнеспособность. Именно здесь модели Ultralytics действительно сияют.

Простота использования: Ultralytics предоставляет унифицированный, интуитивно понятный Python API. Ты можешь обучать, валидировать и развертывать модели с минимальным количеством шаблонного кода при поддержке обширной официальной документации. Поддерживаемая экосистема: Активная разработка гарантирует постоянные обновления, исправление багов и бесшовную интеграцию с современными инструментами трекинга, такими как Weights & Biases. Эффективность обучения: Используя оптимизированные загрузчики данных и умное кэширование, YOLOv5 радикально сокращает время обучения. Более того, готовые к использованию предобученные веса ускоряют трансфертное обучение в различных предметных областях.

Пример кода: Оптимизированное обучение#

С пакетом Ultralytics запуск процесса обучения практически идентичен независимо от того, какую архитектуру ты выберешь.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model (can easily swap to "yolov7.pt")
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export the trained model to ONNX format for deployment
success = model.export(format="onnx")

Идеальные варианты использования#

Когда выбирать YOLOv7#

• Академическое бенчмаркирование: Идеально подходит для исследователей, которым необходимо сравнивать новые методы с хорошо задокументированным стандартом 2022 года.
• Облачная обработка на мощных GPU: При развертывании на мощном серверном оборудовании, где достижение максимально высокого mAP в плотных сценах перевешивает простоту экспорта.

Когда стоит выбрать YOLOv5#

• Развертывание в продакшене: Идеально подходит для коммерческих приложений, требующих высокой стабильности, понятных вариантов развертывания моделей и широкой кроссплатформенной совместимости.
• Граничные устройства (Edge Devices): Меньшие варианты (YOLOv5n и YOLOv5s) работают исключительно хорошо на мобильных телефонах и встроенных системах.
• Требования к многозадачности: Если твой проект должен развиваться от простого детектирования до оценки позы или сегментации с использованием единого фреймворка.

Следующее поколение: Ultralytics YOLO26#

Хотя YOLOv5 и YOLOv7 занимают важные места в истории компьютерного зрения, ландшафт постоянно меняется. Выпущенная в январе 2026 года, Ultralytics YOLO26 представляет собой абсолютный передний край технологий обнаружения объектов, превосходя предыдущие поколения по всем показателям.

Узнай больше о YOLO26

YOLO26 представляет несколько меняющих парадигму функций:

• Полностью сквозной дизайн без NMS: Основываясь на концепциях, заложенных в предыдущих итерациях, YOLO26 является нативно сквозным (end-to-end). Это полностью устраняет необходимость в постобработке Non-Maximum Suppression (NMS), устраняя узкие места задержки и радикально упрощая логику развертывания.
• Оптимизатор MuSGD: Вдохновленный Kimi K2 от Moonshot AI, этот революционный оптимизатор объединяет стабильность стандартного SGD с ускоренным импульсом Muon, принося передовые инновации в обучении больших языковых моделей (LLM) непосредственно в компьютерное зрение.
• Улучшенная скорость CPU: Стратегически удалив Distribution Focal Loss (DFL), YOLO26 достигает до 43% более быстрого вывода на CPU, что делает её безоговорочным лидером для развертывания на граничных и маломощных IoT-устройствах.
• ProgLoss + STAL: Эти продвинутые функции потерь дают огромные улучшения в распознавании мелких объектов, что критически важно для аэрофотосъемки и прецизионной робототехники.
• Улучшения под конкретные задачи: Включают функцию потерь семантической сегментации для генерации масок, оценку остаточного логарифма правдоподобия (RLE) для трекинга поз и специализированную потерь по углам для решения сложных проблем с границами ориентированных ограничивающих рамок (OBB).

Заключение#

И YOLOv5, и YOLOv7 предлагают надежные решения для обнаружения объектов в реальном времени. YOLOv7 остается сильным выбором для обеспечения максимальной точности на мощном вычислительном оборудовании, в то время как YOLOv5 выделяется как идеальный инструмент для разработчиков, предлагая исключительный баланс скорости, эффективности и первоклассную экосистему.

Тем не менее, для разработчиков, стремящихся защитить свои конвейеры от устаревания и достичь непревзойденного сочетания скорости, простоты и передовой точности, мы настоятельно рекомендуем мигрировать на Ultralytics YOLO26. Эта модель воплощает в себе легендарную простоту использования платформы Ultralytics и одновременно предлагает новаторские архитектурные инновации.