YOLOv7 против YOLOv8#
Быстрое развитие компьютерного зрения привело к созданию множества мощных инструментов для разработчиков и исследователей. При выборе правильной архитектуры для конвейера обнаружения объектов крайне важно сравнить устоявшиеся модели. В этом техническом руководстве представлен подробный разбор архитектур, метрик производительности и идеальных вариантов использования двух весьма влиятельных моделей: YOLOv7 и Ultralytics YOLOv8.
Введение в архитектуры#
Обе модели представляют собой значительный скачок в производительности, но они подходят к задаче оптимизации глубоких нейронных сетей с разных структурных позиций.
YOLOv7: Пионер «наборов бесплатных улучшений»#
Представленная в середине 2022 года, модель YOLOv7 была сильно сфокусирована на оптимизации архитектурного градиентного пути и концепции "trainable bag-of-freebies", чтобы расширить границы обнаружения в реальном времени на высокопроизводительном оборудовании.
- Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
- Организация: Институт информационных наук, Academia Sinica, Тайвань
- Дата: 2022-07-06
- Arxiv: 2207.02696
- GitHub: WongKinYiu/yolov7
- Документация: Документация Ultralytics YOLOv7
Основные особенности архитектуры: YOLOv7 в основном использует детектирующую головку на основе анкоров (хотя в ней проводились эксперименты с ветками без анкоров) и представляет расширенные сети агрегации эффективных слоев (E-ELAN). Такая конструкция улучшает способность сети к обучению без разрушения исходного градиентного пути. Она демонстрирует исключительные результаты на GPU серверного класса, что делает ее отлично подходящей для тяжелой видеоаналитики.
Сильные и слабые стороны: Хотя YOLOv7 обеспечивает отличную задержку на специализированном оборудовании, ее экосистема сильно фрагментирована. Обучение требует сложных аргументов командной строки, ручного клонирования репозитория и строгого управления зависимостями в PyTorch. Кроме того, требования к памяти во время обучения могут оказаться чрезмерными для потребительского оборудования.
Ultralytics YOLOv8: универсальный стандарт#
Выпущенная в начале 2023 года, модель YOLOv8 полностью пересмотрела опыт разработчика, сфокусировавшись не только на передовой точности, но и на предоставлении унифицированной, готовой к производству платформы.
- Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
- Организация: Ultralytics
- Дата: 2023-01-10
- GitHub: ultralytics/ultralytics
- Платформа: Ultralytics YOLOv8
Основные особенности архитектуры: YOLOv8 представила принципиально безанкюрную детектирующую головку, избавив от необходимости вручную настраивать рамки анкоров на основе набора данных MS COCO или пользовательских распределений данных. Она включает модуль C2f для улучшения потока градиентов и использует структуру разделенной головки, которая отделяет задачи объектности, классификации и регрессии. Это значительно ускоряет сходимость и повышает точность.
Сильные и слабые стороны: YOLOv8 отличается исключительной эффективностью требований к памяти. Для нее требуется значительно меньше памяти CUDA во время обучения по сравнению с YOLOv7 и более тяжелыми моделями Transformer, что позволяет тебе использовать большие размеры батча. Ее главная сильная сторона заключается в универсальности: она изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB). Единственный незначительный недостаток заключается в том, что для крайне специализированных устаревших конвейеров, созданных исключительно для тензоров YOLOv7, может потребоваться короткий период рефакторинга.
Ultralytics YOLOv8 выигрывает за счет хорошо поддерживаемой экосистемы. Благодаря интуитивно понятному Python API, активной разработке и мощной поддержке сообщества, переход модели от локального тестирования к глобальному развертыванию занимает в разы меньше времени по сравнению с автономными репозиториями.
Детальное сравнение производительности#
Следующая таблица разбивает показатели производительности по ключевым размерам моделей. Обрати внимание на четкий баланс производительности, которого достигает YOLOv8, максимально оптимизируясь под быстрый инференс на граничных устройствах при сохранении точности мирового класса.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| 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 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Примечание: YOLOv8x достигает наибольшего значения mAP в этой группе, в то время как YOLOv8n лидирует по эффективности параметров и скорости инференса, что делает ее бесспорным чемпионом для развертывания компьютерного зрения на периферийных устройствах AI.
Простота использования и эффективность обучения#
Когда дело доходит до простоты использования, Ultralytics YOLOv8 находится в своей собственной лиге. Более старые архитектуры, такие как YOLOv7, требуют клонирования специфических репозиториев и запуска громоздких скриптов командной строки для настройки наборов данных и путей.
И наоборот, пакет ultralytics для YOLOv8 предлагает чрезвычайно оптимизированный опыт работы для разработчика. Эффективность обучения максимизируется за счет автоматической загрузки данных, готовых к использованию предобученных весов и бесшовных возможностей экспорта в такие форматы, как ONNX и TensorRT.
Вот как легко ты можешь загружать, обучать и запускать инференс с помощью Python API Ultralytics:
from ultralytics import YOLO
# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")
# Train the model efficiently on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run fast inference on a test image
predictions = model("https://ultralytics.com/images/bus.jpg")
# Display the predictions
predictions[0].show()YOLOv8 изначально интегрируется с популярными инструментами MLOps, такими как Weights & Biases и ClearML, позволяя тебе в режиме реального времени следить за настройкой гиперпараметров и метриками обучения.
Идеальные варианты использования#
Выбор между этими архитектурами часто сводится к специфическим ограничениям твоей среды развертывания.
Когда выбирать YOLOv7#
- Устаревшие бенчмарки: Подходит для исследователей, которым нужна фиксированная базовая линия для сравнения с архитектурными стандартами 2022 года.
- Уже существующая тяжелая инфраструктура: Среды, в которых активно используются GPU NVIDIA V100 или A100, где специфические тензорные конфигурации YOLOv7 глубоко встроены в устаревший конвейер на C++.
Когда выбирать YOLOv8#
- Кроссплатформенное производство: Идеально для команд, которым необходимо бесшовное развертывание на облачных GPU, мобильных устройствах и в браузерах.
- Требования к многозадачности: Если твоему проекту нужно выйти за рамки ограничивающих рамок и задействовать богатые маски сегментации экземпляров или ключевые точки позы.
- Периферийные устройства с ограниченными ресурсами: YOLOv8 Nano (
yolov8n) обеспечивает невероятное соотношение точности и скорости для робототехники, дронов и датчиков IoT.
Взгляд в будущее: Поколенческий скачок к YOLO26#
Хотя YOLOv8 остается очень надежным выбором, сфера компьютерного зрения развивается стремительно. Для разработчиков, которые начинают совершенно новые высокопроизводительные проекты, компания Ultralytics недавно представила следующую эволюцию моделей AI. Настоятельно рекомендуется изучить как глубоко усовершенствованную YOLO11, так и недавно выпущенную YOLO26.
Выпущенная в январе 2026 года YOLO26 расширяет границы возможного на периферийных устройствах:
- Сквозной дизайн без NMS: YOLO26 является нативно сквозным, полностью исключая постобработку Non-Maximum Suppression (NMS). Это обеспечивает значительно более быстрые и простые конвейеры развертывания без «узких мест» в виде задержек, свойственных традиционным моделям плотного предсказания.
- Удаление DFL: Благодаря удалению Distribution Focal Loss, YOLOv26 обеспечивает гораздо более простые опции развертывания моделей и превосходную совместимость с периферийными устройствами.
- До 43% быстрее инференс на CPU: Сильно оптимизировано для ограниченных сред, таких как Raspberry Pi и встроенные системы, превосходя все предыдущие поколения по пропускной способности CPU.
- Оптимизатор MuSGD: Вдохновленный парадигмами обучения больших языковых моделей (LLM), YOLO26 включает гибрид SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и молниеносную сходимость.
- ProgLoss + STAL: Эти передовые функции потерь дают заметные улучшения в распознавании мелких объектов, что крайне критично для аэрофотосъемки, автоматизированного сельского хозяйства и робототехники.
Масштабируешь ли ты до огромных кластеров видеоаналитики с помощью YOLOv8 или переносишь инференс на крошечные периферийные устройства с передовой YOLO26, платформа Ultralytics Platform предоставляет инструменты для бесшовного управления всем жизненным циклом AI.