Начать

YOLOv8 и YOLOv5

Выбор правильной архитектуры компьютерного зрения — важный этап создания надежных конвейеров машинного обучения. В этом техническом сравнении рассматриваются различия между двумя наиболее популярными моделями в экосистеме ИИ для зрения: YOLOv8 и YOLOv5. Обе модели разработаны Ultralytics и существенно повлияли на развитие обнаружения объектов в реальном времени, задав ориентиры по скорости, точности и простоте использования.

Понимание изменений в архитектуре, показателей производительности и методик обучения этих моделей поможет тебе принять обоснованное решение для проектов в области компьютерного зрения, будь то развертывание на периферийных устройствах или масштабирование инференса в облаке.

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года, YOLOv8 стала важным шагом в развитии архитектуры по сравнению с предшественниками. Она была создана с нуля как унифицированный фреймворк, изначально поддерживающий множество задач компьютерного зрения, включая сегментацию экземпляров, классификацию изображений и оценку позы.

Архитектура и методики#

В YOLOv8 появилась голова обнаружения без якорей, что упрощает процесс обучения: больше не нужно вручную настраивать якорные рамки с учетом распределения объектов в наборе данных. Благодаря этому модель надежнее обобщает результаты на пользовательские наборы данных и формирует меньше предсказаний рамок, ускоряя подавление немаксимумов (NMS).

В архитектуре используется модуль C2f (узкое место с частичной связью между стадиями и двумя сверточными слоями), заменивший модуль C3 из YOLOv5. Модуль C2f улучшает распространение градиентов и позволяет модели формировать более богатые представления признаков без существенного увеличения вычислительных затрат. Кроме того, в YOLOv8 используется структура разделенной головы, в которой задачи классификации и регрессии выполняются отдельно; это повышает скорость сходимости и точность.

Эффективное использование памяти

Модели Ultralytics YOLO, в том числе YOLOv8, оптимизированы для меньшего потребления памяти CUDA во время обучения по сравнению со многими альтернативами на основе Transformer, например RT-DETR. Это позволяет разработчикам использовать больший размер пакета на обычных потребительских GPU, таких как NVIDIA RTX.

Преимущества и недостатки#

Преимущества:

  • Универсальность для решения множества задач, выходящих за рамки простого обнаружения объектов с ограничивающими рамками.
  • Упрощенный Python API в пакете ultralytics делает обучение и экспорт интуитивно понятными.
  • Более высокая средняя точность (mAP) во всех вариантах размеров по сравнению с YOLOv5.

Недостатки:

  • Разделенная голова и модуль C2f увеличивают количество параметров и FLOPs у небольших вариантов по сравнению с соответствующими моделями YOLOv5.

Ultralytics YOLOv5: гибкий первопроходец#

Представленная в 2020 году, YOLOv5 перенесла YOLO в экосистему PyTorch, сделав ее гораздо доступнее разработчикам. Она быстро стала одной из самых широко используемых моделей для быстрого, надежного и простого развертывания обнаружения объектов.

Архитектура и методики#

В YOLOv5 используется архитектура на основе анкеров и модифицированная основа CSPDarknet53. Для подходов на основе анкеров нужны анкеры, соответствующие распределению ограничивающих рамок в наборе данных (YOLOv5 автоматически проверяет и пересчитывает их с помощью AutoAnchor); такие подходы хорошо работают на четко определенных наборах данных.

В YOLOv5 используется модуль C3, который эффективно извлекает признаки и при этом сохраняет небольшое количество параметров. Функция потерь объединяет потери объектности, классификации и регрессии ограничивающих рамок, направляя сеть к точным предсказаниям.

Преимущества и недостатки#

Преимущества:

  • Небольшие варианты Nano (YOLOv5n) и Small (YOLOv5s) хорошо подходят для развертывания ИИ на периферийных устройствах с ограниченными ресурсами.
  • Быстрый инференс как на CPU, так и на GPU.
  • Хорошо сформировавшаяся экосистема с большим количеством обучающих материалов от сообщества и интеграций сторонних разработчиков.

Недостатки:

  • Зависит от анкерных боксов, априорные параметры которых могут ограничивать обобщение на сильно различающихся или пользовательских наборах данных.
  • Более низкая общая точность (mAP) по сравнению с современными архитектурами без якорей, такими как YOLOv8 и YOLO26.

Сравнение производительности#

При оценке этих моделей важно добиться удачного баланса между скоростью и точностью. В таблице ниже приведены метрики производительности обеих архитектур на наборе данных COCO. Скорость CPU измерялась с помощью ONNX, а скорость GPU проверялась с помощью TensorRT.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

Хотя в этой таблице YOLOv5 обеспечивает меньшую задержку GPU и меньше FLOPs при каждом размере, YOLOv8 значительно превосходит ее по mAP во всех вариантах (например, 37.3 против 28.0 у моделей Nano), обеспечивая более выгодный баланс точности и скорости для требовательных реальных сценариев развертывания.

Простота использования и экосистема Ultralytics#

Отличительная черта современных моделей Ultralytics — хорошо поддерживаемая экосистема. При переходе от YOLOv5 к YOLOv8 появился унифицированный пакет pip ultralytics, который упростил работу пользователей.

Разработчики могут выполнять обучение моделей, валидацию, предсказание и экспорт всего несколькими строками кода на Python, обходясь без сложных шаблонных скриптов, которые раньше требовались в проектах глубокого обучения.

from ultralytics import YOLO

# Загружаем предварительно обученную модель YOLOv8
model = YOLO("yolov8n.pt")

# Эффективно обучаем модель на пользовательских данных
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Экспортируем модель в ONNX для развертывания в промышленной среде
path = model.export(format="onnx")

Ultralytics Platform дополнительно упрощает управление наборами данных, облачное обучение и развертывание.

Оптимальные сценарии применения#

Когда выбирать YOLOv5: Если ты поддерживаешь устаревшие системы, запускаешь инференс на сильно ограниченных CPU, например на Raspberry Pi, или работаешь над проектом, где важно сэкономить каждый мегабайт размера модели, YOLOv5 остается надежной рабочей лошадкой.

Когда выбирать YOLOv8: Из этих двух моделей YOLOv8 лучше подходит для новых проектов. Ее архитектура поддерживает трекинг, сегментацию и ориентированные ограничивающие рамки (OBB), а сама модель подходит для современных приложений — от автономной робототехники до анализа медицинских изображений и инфраструктуры умных городов.

Ищешь самые современные решения?

Хотя YOLOv8 обладает широкими возможностями, для новых проектов Ultralytics рекомендует YOLO26. Выпущенная в январе 2026 года, она предлагает несколько усовершенствований:

  • Сквозная архитектура без NMS: Опциональная голова один-к-одному (nms=False) устраняет постобработку с помощью NMS, ускоряя и упрощая развертывание; этот подход внедрила в модели YOLO компания YOLOv10.
  • Оптимизатор MuSGD: Гибрид SGD и Muon, который переносит достижения в обучении LLM в компьютерное зрение и обеспечивает более стабильное обучение и быструю сходимость.
  • Инференс на CPU до 43% быстрее: YOLO26n работает на CPU до 43% быстрее YOLO11n и хорошо подходит для периферийных вычислений без выделенных GPU.
  • Удаление DFL: Distribution Focal Loss исключена, что упрощает экспорт и повышает совместимость с периферийными устройствами.
  • ProgLoss + STAL: Прогрессивная функция потерь и назначение меток с учетом небольших объектов заметно улучшают распознавание таких объектов, что важно для аэрофотосъемки и IoT.

С помощью документации и инструментов Ultralytics ты можешь развернуть YOLOv8 или использовать YOLO26 в требовательных приложениях компьютерного зрения. Дополнительную информацию смотри в руководствах по настройке гиперпараметров и практикам развертывания моделей.

Участники

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. rancherdesktopp23GitHub(изменено)

    Very well explained! The YOLOv8 vs YOLOv5 comparison clearly highlights how YOLOv8 improves upon its predecessor with a more modular architecture, support for multi-task learning, and better training stability. This YOLOv8 comparison really helps developers decide whether to upgrade or stick with the tried-and-tested v5 depending on their project needs.