YOLOv7 и YOLOv8
Бурное развитие компьютерного зрения дало разработчикам и исследователям множество эффективных инструментов. При выборе архитектуры для конвейера обнаружения объектов важно сравнить проверенные модели. В этом руководстве рассматриваются архитектуры, метрики производительности и оптимальные варианты применения двух влиятельных моделей: YOLOv7 и Ultralytics YOLOv8.
Знакомство с архитектурами#
Обе модели значительно повысили производительность, но используют разные подходы к оптимизации глубоких нейронных сетей.
YOLOv7: первопроходец среди моделей с бесплатными улучшениями#
Представленная в середине 2022 года YOLOv7 была сосредоточена на оптимизации архитектуры градиентных путей и концепции «обучаемого набора бесплатных улучшений», чтобы расширить возможности обнаружения объектов в реальном времени на мощном оборудовании.
- Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
- Организация: Институт информатики, Академия Синика, Тайвань
- Дата: 2022-07-06
- arXiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Документация: Документация Ultralytics YOLOv7
Особенности архитектуры: YOLOv7 в основном использует голову обнаружения на основе анкеров (хотя в ней экспериментировали с безанкерными ветками) и представляет сети расширенной эффективной агрегации слоёв (E-ELAN). Эта архитектура улучшает способность сети к обучению, не разрушая исходный путь градиента. Она хорошо работает на GPU серверного класса и подходит для ресурсоёмкой видеоаналитики.
Преимущества и недостатки: YOLOv7 обеспечивает низкую задержку на специализированном оборудовании, но её инструментарий менее интегрирован. Для обучения нужно клонировать репозиторий, вручную управлять зависимостями PyTorch и передавать множество аргументов командной строки. Кроме того, для обучения может потребоваться много памяти, если используется оборудование потребительского класса.
Ultralytics YOLOv8: универсальный стандарт#
Выпущенная в начале 2023 года YOLOv8 объединила высокую точность с единым готовым к промышленному использованию фреймворком для обучения, валидации и развёртывания.
- Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: ultralytics/ultralytics
- Платформа: Ultralytics YOLOv8
Особенности архитектуры: В YOLOv8 появилась нативная безанкерная голова обнаружения, устраняющая необходимость вручную настраивать анкерные рамки на основе набора данных MS COCO или распределения пользовательских данных. Модуль C2f улучшает распространение градиента, а структура с разделённой головой разделяет задачи классификации и регрессии, ускоряя сходимость и повышая точность.
Преимущества и недостатки: YOLOv8 эффективно использует память: обычно во время обучения ей требуется меньше памяти CUDA, чем YOLOv7 или более тяжёлым моделям на базе Transformer, поэтому можно использовать пакеты большего размера. Главное преимущество — универсальность: нативно поддерживаются сегментация экземпляров, классификация изображений, оценка позы и обнаружение объектов с ориентированными ограничивающими рамками (OBB). Основной недостаток: устаревшие конвейеры, построенные вокруг выходных тензоров YOLOv7, может потребоваться переработать.
Ultralytics YOLOv8 входит в активно развиваемую экосистему. По сравнению с отдельными исследовательскими репозиториями её Python API, регулярные выпуски и поддержка сообщества сокращают путь от локального тестирования до развёртывания в промышленной среде.
Подробное сравнение производительности#
В таблице ниже приведены метрики производительности для ключевых размеров моделей. YOLOv8 предлагает широкий выбор компромиссов между скоростью и точностью: от компактных моделей для периферийных устройств до более крупных моделей с наивысшей точностью в этом сравнении.
| Модель | размер (пиксели) | mAPval50-95 | 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 |
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Примечание: YOLOv8x достигает наивысшего mAP среди моделей этой группы, а YOLOv8n имеет наименьшее число параметров и самый быстрый инференс, поэтому хорошо подходит для развёртывания компьютерного зрения на периферийных устройствах ИИ.
Удобство использования и эффективность обучения#
Ultralytics YOLOv8 создана для простоты использования. Для работы со старыми архитектурами, такими как YOLOv7, нужно клонировать определённые репозитории и запускать подробные скрипты командной строки для настройки наборов данных и путей.
В отличие от них, пакет YOLOv8 ultralytics обеспечивает упрощённый рабочий процесс с автоматической загрузкой наборов данных, готовыми предварительно обученными весами и встроенной поддержкой экспорта в такие форматы, как ONNX и TensorRT.
В следующем примере модель загружается и обучается, после чего выполняется инференс с помощью Python API Ultralytics:
from ultralytics import YOLO
# Загрузка предварительно обученной облегчённой модели YOLOv8
model = YOLO("yolov8n.pt")
# Эффективно обучи модель на наборе данных COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Быстрый инференс на тестовом изображении
predictions = model("https://ultralytics.com/images/bus.jpg")
# Отобрази предсказания
predictions[0].show()YOLOv8 интегрируется с популярными инструментами MLOps, такими как Weights & Biases и ClearML, поэтому ты можешь в реальном времени отслеживать настройку гиперпараметров и метрики обучения.
Оптимальные сценарии применения#
Выбор между этими архитектурами часто определяется конкретными ограничениями среды развёртывания.
Когда выбирать YOLOv7#
- Сравнение с устаревшими эталонами: подходит исследователям, которым нужна фиксированная базовая модель для сравнения с архитектурными стандартами 2022 года.
- Уже существующая мощная инфраструктура: Среды на базе GPU NVIDIA V100 или A100, где выходные тензоры YOLOv7 встроены в устаревший конвейер C++.
Когда выбрать YOLOv8#
- Кроссплатформенное промышленное развёртывание: Подходит командам, которым нужно развёртывать модели на облачных GPU, мобильных устройствах и в браузерах.
- Требования к нескольким задачам: Подходит, если проекту нужны маски сегментации экземпляров или ключевые точки позы в дополнение к ограничивающим рамкам.
- Периферийные устройства с ограниченными ресурсами: YOLOv8 Nano (
yolov8n) обеспечивает хорошее соотношение точности и скорости для робототехники, дронов и устройств IoT.
Взгляд в будущее: скачок поколений с YOLO26#
YOLOv8 остаётся надёжным выбором, но для новых проектов доступны более современные модели Ultralytics: YOLO11 и YOLO26, текущая рекомендуемая модель.
Выпущенная в январе 2026 года YOLO26 создана для эффективного развёртывания на периферийных устройствах:
- Сквозная архитектура без NMS: YOLO26 поддерживает нативный сквозной инференс и пропускает постобработку подавления немаксимумов (NMS) благодаря опциональной голове «один к одному» (
nms=False). Это упрощает конвейеры развёртывания и устраняет задержку, связанную с отдельным этапом NMS. - Удаление DFL: Удаление Distribution Focal Loss упрощает голову обнаружения, расширяет варианты развёртывания модели и улучшает совместимость с периферийными устройствами.
- До 43% быстрее инференс на CPU: При инференсе YOLO26n через ONNX на CPU работает до 43% быстрее YOLO11n, поэтому подходит для устройств с ограниченными ресурсами, например Raspberry Pi и других встраиваемых систем.
- Оптимизатор MuSGD: Вдохновлённая обучением больших языковых моделей (LLM), YOLO26 использует гибрид SGD и Muon для более стабильного обучения и быстрой сходимости.
- ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учётом малых объектов (STAL) улучшают обнаружение небольших объектов, что важно для аэрофотосъёмки, сельского хозяйства и робототехники.
Разворачиваешь ли ты YOLOv8 на крупных кластерах видеоаналитики или YOLO26 на небольших периферийных устройствах, платформа Ultralytics предоставляет инструменты для разметки данных, обучения и развёртывания моделей на всех этапах жизненного цикла ИИ.
Комментарии1
Задай вопрос, поделись результатами или помоги кому-нибудь.
rosin7596(изменено)
Well-explained comparison! YOLOv7 continues to perform impressively in terms of speed and accuracy, especially for real-time detection tasks on limited hardware. However, this YOLOv8 comparison shows how v8 introduces improvements like a more modular architecture, better support for multi-task learning, and streamlined training. Both models serve different needs, making the choice highly use-case dependent.