YOLOv7 YOLOv5: баланс между высокой точностью и универсальностью производства
Выбор подходящей архитектуры для обнаружения объектов часто сопряжен с необходимостью найти компромисс между теоретической эффективностью и практической простотой внедрения. В этом подробном сравнении рассматриваются два важных этапа в развитии YOLO : YOLOv7, известный своими архитектурными оптимизациями «bag-of-freebies», и YOLOv5, легендарная Ultralytics , известная своей удобством использования, скоростью и массовым внедрением в производственных средах.
Краткое изложение
В то время как YOLOv7 достигает более высокой пиковой точности (mAP) в COCO благодаря сложным архитектурным решениям, таким как E-ELAN, YOLOv5 остается отраслевым стандартом по удобству использования, предлагая более оптимизированный процесс обучения, меньшее потребление ресурсов и более широкую поддержку развертывания. Для разработчиков, начинающих новые проекты в 2026 году, дискуссия естественным образом перешла к Ultralytics , который сочетает в себе преимущества v7 по точности с удобством использования v5, а также нативное сквозное инференсирование NMS.
Сравнение метрик производительности
В следующей таблице показаны различия в производительности между основными вариантами. YOLOv7 высокую GPU , тогда как YOLOv5 широкий спектр моделей, подходящих для всего, от мобильных устройств до облачных серверов.
| Модель | размер (пиксели) | mAPval 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 |
YOLOv7: архитектурный гигант
Выпущен в июле 2022 года авторами YOLOv4, YOLOv7 представил несколько передовых концепций, направленных на расширение границ точности обнаружения объектов в реальном времени.
- Авторы: Чен-Яо Ванг, Алексей Бочковский и Хонг-Юань Марк Ляо
- Организация: Institute of Information Science, Academia Sinica, Taiwan
- Дата: 2022-07-06
- Статья:YOLOv7: обучаемый набор бесплатных функций устанавливает новый стандарт
- Репозиторий:GitHub
Ключевые архитектурные особенности
- E-ELAN (Extended Efficient Layer Aggregation Network): эта структура позволяет сети обучаться более разнообразным особенностям путем контроля самых коротких и самых длинных градиентных путей. Она улучшает обучаемость сети, не разрушая исходный градиентный путь, что приводит к более высокой точности в сложных сценах.
- Масштабирование модели: в отличие от стандартного масштабирования соединений, YOLOv7 одновременно YOLOv7 глубину и ширину блока, обеспечивая оптимальную архитектуру для различных ограничений ресурсов (например, YOLOv7 по сравнению с YOLOv7).
- Обучаемая сумка бесплатных подарков: модель включает в себя методы запланированной перепараметризации, которые оптимизируют структуру модели во время обучения, но упрощают ее во время вывода, эффективно повышая скорость без потери точности.
Идеальные варианты использования для YOLOv7
YOLOv7 другие системы в академических исследованиях и высокотехнологичных промышленных приложениях, где каждый процентный пункт mAP , например, в системах безопасности автономного вождения или при обнаружении мелких дефектов на изображениях высокого разрешения, полученных в процессе производства.
YOLOv5: Производственный стандарт
YOLOv5, разработанная Ultralytics, произвела революцию в этой области не только благодаря своей архитектуре, но и благодаря приоритету, отданному опыту разработчиков. Это была первая YOLO , реализованная нативно в PyTorch, что сделало ее доступной для огромного сообщества Python .
- Автор: Гленн Джокер
- Организация:Ultralytics
- Дата: 2020-06-26
- Репозиторий:GitHub
Почему разработчики выбирают YOLOv5
- Непревзойденная универсальность: в то время как YOLOv7 в первую очередь на обнаружение, YOLOv5 из коробки YOLOv5 сегментацию экземпляров и классификацию изображений.
- Низкое потребление памяти: YOLOv5 очень эффективно YOLOv5 CUDA , что позволяет обрабатывать более крупные пакеты данных на потребительском оборудовании по сравнению с моделями на основе трансформаторов или более тяжелыми архитектурами.
- Экосистема развертывания: она обеспечивает беспроблемный экспорт в ONNX, CoreML, TFLite и TensorRT, что делает ее идеальным выбором для мобильных приложений и периферийных устройств, таких как NVIDIA .
Преимущество Ultralytics: Экосистема и удобство использования
При сравнении этих моделей окружающая экосистема часто имеет такое же значение, как и сама архитектура. Ultralytics (YOLOv5 более новая YOLO26) выигрывают благодаря единой, хорошо поддерживаемой платформе.
Простота использования и эффективность обучения
Для обучения модели не требуется докторская степень в области компьютерных наук. Ultralytics простой Python , который стандартизирует рабочий процесс. Вы можете переключиться с обучения YOLOv5 на YOLO11 или YOLO26, изменив один строковый аргумент.
from ultralytics import YOLO
# Load a model (YOLOv5 or the newer YOLO26)
model = YOLO("yolo26n.pt")
# Train on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
Интегрированная платформа
Пользователи Ultralytics получают доступ к Ultralytics — веб-центру для управления наборами данных, автоматической аннотации и развертывания моделей в один клик. Эта интеграция экосистемы значительно сокращает время вывода на рынок продуктов компьютерного зрения по сравнению с управлением необработанными репозиториями.
Гарантия будущего с YOLO26
Хотя YOLOv7 YOLOv5 эффективными, область компьютерного зрения быстро развивается. Для новых проектов Ultralytics предлагает значительные преимущества по сравнению с обоими предшественниками.
Выпущенный в январе 2026 года, YOLO26 устраняет конкретные ограничения предыдущих поколений:
- Сквозное NMS: в отличие от YOLOv5 v7, которые требуют постобработки с помощью алгоритма Non-Maximum Suppression (NMS), YOLO26 является сквозным решением. Это обеспечивает более чистый код и более быстрое выведение, особенно на периферийных устройствах, где NMS узким местом.
- Оптимизатор MuSGD: вдохновленный стабильностью обучения LLM, этот новый оптимизатор обеспечивает более быструю конвергенцию, чем стандартный SGD в v5/v7.
- Оптимизация границ: благодаря устранению Distribution Focal Loss (DFL) YOLO26 работает на 43 % быстрее на CPU, что делает его превосходным решением для мобильных устройств.
- Улучшенное обнаружение мелких объектов: благодаря ProgLoss и STAL (самообучение с использованием анкор-обучения) система превосходит YOLOv7 мелких объектов, что является критически важным фактором для задач, связанных с дронами и аэрофотосъемкой.
Заключение
YOLOv7 — это мощное архитектурное достижение, обеспечивающее высокую точность для исследователей и конкретных GPU высокопроизводительными GPU . Однако его ориентация на сложность «bag-of-freebies» может затруднять модификацию и развертывание по сравнению с Ultralytics .
YOLOv5 остается легендой в отрасли благодаря своему балансу производительности, простоте использования и невероятной универсальности при выполнении таких задач, как обнаружение, сегментация и классификация. Это безопасный и надежный выбор для многих устаревших производственных систем.
Тем, кто ищет лучшее из обоих миров — высокую точность и простоту использования — мы рекомендуем YOLO26. Он сочетает в себе удобную Ultralytics с передовыми инновациями, такими как инференция NMS и оптимизация MuSGD, обеспечивая быструю, точную и перспективную работу ваших приложений.
Дополнительная литература
- Изучите другие модели в Ultralytics Model Hub.
- Узнайте, как обучать пользовательские модели на основе ваших собственных данных.
- Поймите разницу между обнаружением объектов и сегментацией.