YOLOv8 YOLOv5: всестороннее техническое сравнение
В быстро развивающейся области компьютерного зрения выбор правильной модели обнаружения объектов имеет решающее значение для успеха проекта. Двумя наиболее значимыми вехами в этой истории являются YOLOv5 и YOLOv8, обе разработанные компанией Ultralytics. В то время как YOLOv5 отраслевой стандарт простоты использования и надежности после своего выпуска, YOLOv8 архитектурные прорывы, которые переопределили передовую (SOTA) производительность.
В данном руководстве представлен подробный технический анализ обеих архитектур с сравнением их показателей производительности, методологий обучения и идеальных сценариев использования, чтобы помочь разработчикам принять обоснованные решения.
Ultralytics YOLOv8: Современный стандарт
Выпущенный в январе 2023 года, YOLOv8 представляет собой значительный шаг вперед в области YOLO . Он основан на успехе предыдущих версий и представляет собой унифицированную платформу для обнаружения объектов, сегментации экземпляров и оценки положения.
Ключевые архитектурные инновации
YOLOv8 от основанной на анкерах конструкции своих предшественников, применяя механизм обнаружения без анкеров. Это упрощает модель, позволяя напрямую предсказывать центры объектов, сокращая количество предсказаний рамок и ускоряя немаксимальное подавление (NMS).
- Модуль C2f: в основе используется новый модуль C2f, заменяющий модуль C3, который использовался в YOLOv5. Новая конструкция улучшает градиентный поток и позволяет модели захватывать более богатые представления признаков без значительного увеличения вычислительных затрат.
- Разделенная головка: в отличие от совмещенной головки более ранних версий, YOLOv8 задачи классификации и регрессии на независимые ветви. Это разделение позволяет оптимизировать каждую задачу индивидуально, что приводит к более высоким скоростям сходимости и лучшей точности.
- Мозаичное усиление: хотя обе модели используют мозаичное усиление, YOLOv8 отключает его в последних эпохах обучения для повышения точности.
Производительность и Универсальность
YOLOv8 универсальности. Он изначально поддерживает широкий спектр задач, выходящих за рамки простого обнаружения ограничивающих рамок, что делает его надежным выбором для сложных приложений, таких как автономные транспортные средства и интеллектуальная аналитика в розничной торговле.
YOLOv8 :
Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата: 10.01.2023
GitHub:ultralytics
Документация:YOLOv8
Ultralytics YOLOv5: Надежная рабочая лошадка
С момента выпуска в июне 2020 года YOLOv5 является предпочтительной моделью для разработчиков по всему миру благодаря своей непревзойденной стабильности и простоте PyTorch в PyTorch . Она демократизировала доступ к мощному искусственному интеллекту в области зрения, упростив обучение моделей на пользовательских наборах данных с минимальной настройкой.
Архитектура и наследие
YOLOv5 магистраль CSPDarknet и анкерную головку обнаружения. Его фокусный слой (позже замененный на свертку 6x6) эффективно уменьшал разрешение изображений, сохраняя при этом информацию.
- Простота использования: YOLOv5 своей «готовой к использованию» функциональностью. Структура репозитория интуитивно понятна и легко интегрируется с инструментами MLOps, такими как Comet и ClearML.
- Широкая поддержка развертывания: благодаря более длительному сроку существования YOLOv5 обширную поддержку практически для всех целей развертывания, от мобильных процессоров через TFLite до периферийных устройств, таких как NVIDIA .
YOLOv5 :
Авторы: Гленн Джочер
Организация:Ultralytics
Дата: 26.06.2020
GitHub:yolov5
Документация:YOLOv5
Сравнение производительности
При сравнении двух моделей YOLOv8 превосходит YOLOv5 как YOLOv5 точности (mAP), так и YOLOv5 скорости вывода, особенно на современном GPU . В следующей таблице показаны различия в производительности на COCO .
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
Анализ метрик
- Точность: YOLOv8 значительное преимущество по средней средней точности (mAP). Например, вариант Nano (n) YOLOv8 почти на 10% более высокого mAP YOLOv5n, что делает его гораздо более предпочтительным для приложений, где высокая точность на небольших моделях имеет решающее значение.
- Скорость: хотя YOLOv5 немного быстрее в некоторых CPU из-за более низких FLOP, YOLOv8 лучший баланс производительности. Компромисс часто незначителен по сравнению с повышением точности, а YOLOv8 высоко YOLOv8 для GPU с использованием TensorRT.
- Размер модели: YOLOv8 , как правило, компактны, но в архитектурах Nano и Small содержится больше параметров, что повышает их обучаемость.
Методологии обучения и экосистема
Обе модели используют преимущества надежной Ultralytics , но рабочий процесс значительно эволюционировал с появлением YOLOv8.
Эффективность обучения
Ultralytics славятся своей эффективностью обучения. Они требуют значительно меньше CUDA по сравнению с архитектурами на основе трансформаторов, такими как RT-DETR, что позволяет пользователям обучать более крупные партии на стандартных потребительских графических процессорах.
- YOLOv5 использует автономную структуру репозитория, где обучение инициируется с помощью скриптов, таких как
train.py. - YOLOv8 ввел
ultralyticsPython . Этот унифицированный CLI Python упрощают переключение между задачами и экспорт моделей.
Оптимизированное обучение с Ultralytics
Параметр ultralytics Пакет упрощает процесс обучения для YOLOv8 более новых моделей, таких как YOLO26. Вы можете загрузить модель, обучить ее и проверить всего за три строки кода.
from ultralytics import YOLO
# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")
# Train on a custom dataset with efficient memory usage
model.train(data="coco8.yaml", epochs=100, imgsz=640)
Ultralytics
Пользователи обеих моделей могут воспользоваться Ultralytics (ранее HUB). Этот веб-инструмент упрощает управление наборами данных, маркировку и визуализацию обучения. Он поддерживает экспорт моделей в один клик в такие форматы, как ONNX и OpenVINO, что упрощает путь от прототипа до производства.
Идеальные варианты использования
Когда выбирать YOLOv8
YOLOv8 предпочтительным выбором для большинства новых проектов в 2026 году, которые не требуют специальных оптимизаций для периферийных устройств, как в случае с более новой версией YOLO26.
- Многозадачные приложения: если ваш проект включает в себя обнаружение OBB для аэрофотоснимков или оценку позы для спортивной аналитики, YOLOv8 эти функции изначально.
- Высокие требования к точности: для задач, критичных с точки зрения безопасности, таких как обнаружение дефектов, превосходный mAP YOLOv8 меньшее количество ложных отрицательных результатов.
Когда выбирать YOLOv5
- Устаревшие системы: для проектов, глубоко интегрированных с конкретной структурой YOLOv5 , может быть проще продолжить обслуживание, чем перейти на новую версию.
- Экстремальные ограничения по мощности: на аппаратном обеспечении с крайне ограниченными ресурсами, где важна каждая миллисекунда CPU , немного более низкая производительность YOLOv5n может дать незначительное преимущество, хотя более новые модели, такие как YOLO26, теперь эффективно устраняют этот разрыв.
Взгляд в будущее: будущее – это YOLO26
Хотя YOLOv8 YOLOv5 отличными инструментами, область компьютерного зрения быстро развивается. Разработчикам, которые сегодня начинают новые проекты, мы настоятельно рекомендуем рассмотреть Ultralytics .
Почему стоит перейти на YOLO26? YOLO26 основан на преимуществах своих предшественников, но имеет встроенную конструкцию, NMS, что устраняет необходимость в постобработке и значительно упрощает развертывание.
- На 43% более быстрое CPU : оптимизировано специально для периферийных устройств, что делает его быстрее, чем YOLOv5 YOLOv8 CPU.
- MuSGD Optimizer: гибридный оптимизатор, вдохновленный обучением LLM, для стабильной и быстрой конвергенции.
- Повышенная точность: усовершенствованные функции потерь (ProgLoss + STAL) обеспечивают лучшее обнаружение мелких объектов.
Заключение
Оба YOLOv8 и YOLOv5 являются свидетельством стремления Ultralytics к созданию доступного и высокопроизводительного ИИ. YOLOv5 надежным и широко поддерживаемым вариантом, особенно для устаревших развертываний. Однако YOLOv8 превосходный баланс производительности, современную архитектуру и более широкую поддержку задач, что делает его лучшим выбором для большинства стандартных приложений.
Для тех, кто ищет абсолютный передовой уровень скорости и точности, особенно для мобильного и периферийного развертывания, недавно выпущенный YOLO26 устанавливает новый стандарт. Независимо от вашего выбора, обширная Ultralytics и активное сообщество гарантируют, что у вас будут все необходимые ресурсы для достижения успеха.
Для более глубокого изучения рекомендуем ознакомиться с другими специализированными моделями, такими как YOLO11 или YOLOv10.