YOLOv7 и YOLOX#

Развитие компьютерного зрения отмечено быстрым прогрессом в обнаружении объектов в реальном времени. Важными вехами на этом пути стали YOLOv7 и YOLOX. Обе модели расширили границы скорости и точности, но пришли к результатам с помощью разных архитектурных подходов. В этом руководстве приведено подробное техническое сравнение этих мощных моделей, которое поможет выбрать подходящую архитектуру для проектов компьютерного зрения.

Знакомство с моделями#

Чтобы эффективно развернуть эти модели в современных процессах машинного обучения, важно понимать их происхождение и основные проектные решения.

Сведения о YOLOv7#

Разработанная исследователями, создавшими CSPNet и архитектуру Scaled-YOLOv4, YOLOv7 представила подход с «обучаемым набором бесплатных улучшений» (trainable bag-of-freebies), позволяющий максимально повысить точность без увеличения затрат на инференс.

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информатики, Академия Синика, Тайвань
• Дата: 2022-07-06
• Arxiv: https://arxiv.org/abs/2207.02696
• GitHub: https://github.com/WongKinYiu/yolov7
• Документация: Документация Ultralytics YOLOv7

Узнай больше о YOLOv7

Подробно о YOLOX#

YOLOX пошла другим путём, вернувшись к парадигме обнаружения объектов без якорей и значительно упростив архитектуру головы при сохранении высокой производительности.

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Документация: официальная документация YOLOX

Узнай больше о YOLOX

Архитектурные различия и инновации#

Ключевые различия между YOLOv7 и YOLOX связаны с подходами к извлечению признаков, предсказанию ограничивающих рамок и назначению меток.

YOLOX: пионер безанкерного подхода#

YOLOX изменила семейство YOLO, перейдя к архитектуре без якорей. Для традиционных детекторов с якорями требуется сложная эвристическая настройка кластеризации якорных рамок, которая может сильно зависеть от набора данных. Благодаря отказу от якорных рамок YOLOX значительно сократила число проектных параметров. Кроме того, YOLOX использует разделённую голову, в которой задачи классификации и локализации распределены по отдельным ветвям сети. Это устраняет внутренний конфликт между классификацией объекта и регрессией его пространственных координат. YOLOX также применяет продвинутые стратегии назначения меток, такие как SimOTA, которая динамически распределяет положительные примеры во время обучения.

YOLOv7: расширенная эффективная агрегация слоёв#

YOLOv7 вернулась к методам с якорями, но представила расширенную сеть эффективной агрегации слоёв (E-ELAN). E-ELAN оптимизирует длину градиентного пути, обеспечивая эффективное обучение сети при разной глубине. Архитектура активно использует методы репараметризации, объединяя свёрточные слои во время инференса для повышения скорости без потери точности. Стратегия YOLOv7 «набор бесплатных улучшений» включает такие инновации, как запланированные репараметризованные свёртки и назначение меток с направлением от грубых к точным по ведущему сигналу, благодаря чему средняя точность модели достигает впечатляющих значений.

Сравнение производительности#

При оценке этих моделей для промышленной эксплуатации важно найти баланс между точностью и вычислительной эффективностью. В таблице ниже показан компромисс, а лучшие значения метрик выделены жирным.

Как видно выше, YOLOv7x обеспечивает самый высокий mAP и исключительно высокую точность на сложных наборах данных. YOLOX-Nano, напротив, отлично оптимизирована для работы при крайне ограниченных ресурсах. Однако во время обучения обе модели используют относительно много памяти по сравнению с современными архитектурами.

Методики обучения и экосистема#

Для исследователей и разработчиков важным фактором является простота реализации. Раньше для старых версий YOLO требовались сильно адаптированные скрипты на C++ или сложная настройка зависимостей.

Преимущества экосистемы Ultralytics#

YOLOv7 и YOLOX не поддерживаются нативно пакетом Ultralytics Python; для новых проектов лучше всего подойдёт модель Ultralytics YOLO в хорошо поддерживаемой экосистеме Ultralytics. Ultralytics предлагает унифицированный и интуитивно понятный API Python, который значительно упрощает обучение, валидацию и развёртывание.

• Простота использования: всего несколько строк кода — и ты запустишь цикл обучения, избежав крутого порога вхождения, характерного для низкоуровневых реализаций PyTorch.
• Эффективность обучения: модели Ultralytics YOLO изначально используют меньше памяти при обучении, чем крупные модели Transformer, такие как RT-DETR. Это позволяет разработчикам увеличивать размер пакетов на обычном пользовательском оборудовании.
• Универсальность: помимо обычных ограничивающих рамок, экосистема без труда поддерживает такие задачи, как сегментация экземпляров и оценка позы.

Вот полностью исполняемый пример обучения модели с помощью API Ultralytics:

from ultralytics import YOLO

# Загрузи предварительно обученную модель
model = YOLO("yolov8n.pt")  # Готовые веса для быстрого переноса обучения

# Эффективно обучи модель на собственных данных
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # Используется оптимальное управление памятью CUDA
)

# Экспортируй модель в ONNX или TensorRT без лишних усилий
model.export(format="onnx")

Стандартизация конвейера экспорта позволяет разработчикам без труда переносить веса в такие форматы, как TensorRT или ONNX, и обеспечивать высокоскоростной инференс на целевом оборудовании.

Оптимальные сценарии использования и реальные приложения#

Выбор между YOLOX и YOLOv7 во многом зависит от целевых платформ развертывания:

• YOLOX для периферийного ИИ: Варианты YOLOX-Nano и YOLOX-Tiny отлично подходят для развертывания на устройствах с низким энергопотреблением. Если ты создаешь интеллектуальную камеру видеонаблюдения на Raspberry Pi, простые безанкерные свертки YOLOX легко адаптируются к периферийным ускорителям.
• YOLOv7 для аналитики с высокой точностью: Если ты обрабатываешь спутниковые снимки высокого разрешения или выполняешь сложный контроль качества на производстве, высокий mAP модели YOLOv7x, обеспечиваемый мощными GPU NVIDIA, позволяет обнаруживать даже самые мелкие аномалии.

Будущее: переход на Ultralytics YOLO26#

Хотя YOLOv7 и YOLOX стали прорывными моделями в момент своего появления, область компьютерного зрения значительно продвинулась вперед. Для новых развертываний разработчикам стоит обратить внимание на Ultralytics YOLO26, выпущенную в январе 2026 года. Эта передовая модель объединяет лучшие архитектурные решения в универсальную систему, готовую к промышленной эксплуатации.

Вот почему переход настоятельно рекомендуется:

• Сквозная архитектура без NMS: Опциональная голова one-to-one в YOLO26 (nms=False) исключает подавление немаксимумов (NMS) на этапе постобработки. Этот подход впервые был реализован в YOLOv10; он обеспечивает стабильно низкую задержку и упрощает развертывание на устройствах без аппаратной поддержки NMS.
• Удаление DFL: Благодаря удалению Distribution Focal Loss модель YOLO26 обеспечивает гораздо лучшую совместимость с периферийными устройствами с низким энергопотреблением и позволяет легко экспортировать модели в ONNX.
• Оптимизатор MuSGD: Используя инновации в обучении LLM, YOLO26 применяет гибридный оптимизатор MuSGD, который обеспечивает более быструю сходимость и исключительно стабильную динамику обучения.
• До 43% более быстрый инференс на CPU: YOLO26 тщательно оптимизирована для реального оборудования и эффективно работает на стандартных CPU без дорогостоящей инфраструктуры GPU.
• ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом малых объектов значительно улучшают распознавание небольших объектов — это особенно важно для инспекции с воздуха с помощью дронов и сложных сетей IoT.

Разработчики, которым нужен оптимальный баланс производительности в задачах обнаружения объектов, сегментации и не только, получат непревзойденный опыт без лишних сложностей при развертывании моделей через платформу Ultralytics.

Заключение#

YOLOX и YOLOv7 представили важные методы, повлиявшие на развитие открытых технологий ИИ для компьютерного зрения. YOLOX доказала жизнеспособность раздельных безанкерных голов, а YOLOv7 показала огромный потенциал репараметризации путей градиента. Сегодня экосистема Ultralytics позволяет развивать эти идеи с помощью современных моделей Ultralytics YOLO и легко перейти на передовую YOLO26, чтобы подготовить свое следующее приложение компьютерного зрения к будущему.