YOLOv8 против YOLOv5: Подробное техническое сравнение

Выбор правильной архитектуры компьютерного зрения является критически важным шагом в построении надежных конвейеров машинного обучения. В этом подробном техническом сравнении мы исследуем различия между двумя наиболее популярными моделями в экосистеме компьютерного зрения: YOLOv8 и YOLOv5. Обе модели были разработаны Ultralytics и значительно изменили ландшафт обнаружения объектов в реальном времени, установив отраслевые стандарты скорости, точности и простоты использования.

Независимо от того, развертываете ли вы на граничных устройствах или масштабируете облачный вывод, понимание архитектурных изменений, метрик производительности и методологий обучения этих моделей поможет вам принять обоснованное решение для ваших проектов компьютерного зрения.

Ultralytics YOLOv8: универсальный стандарт

Выпущенный в начале 2023 года, YOLOv8 представил собой значительный архитектурный сдвиг по сравнению со своими предшественниками. Он был разработан с нуля, чтобы служить унифицированной платформой, способной нативно обрабатывать несколько задач компьютерного зрения, включая сегментацию экземпляров, классификацию изображений и оценку позы.

• Авторы: Гленн Джокер, Аюш Чаурасия и Цзин Цю
• Организация:Ultralytics
• Дата: 2023-01-10
• GitHub:ultralytics/ultralytics
• Документация:Документация YOLOv8

Архитектура и методологии

YOLOv8 представил безякорную голову обнаружения, которая упрощает процесс обучения, устраняя необходимость вручную настраивать якорные рамки на основе распределения данных в наборе. Это делает модель более надежной при обобщении на пользовательские наборы данных и сокращает количество предсказаний ограничивающих рамок, ускоряя Non-Maximum Suppression (NMS).

Архитектура включает модуль C2f (Cross-Stage Partial bottleneck с двумя свертками), который заменяет модуль C3, используемый в YOLOv5. Модуль C2f улучшает поток градиентов и позволяет модели изучать более богатые представления признаков без значительного увеличения вычислительных затрат. Кроме того, YOLOv8 использует структуру разделенной головы, разделяющую задачи обнаружения объектов, классификации и регрессии, что, как было показано, улучшает скорость сходимости и точность.

Сильные и слабые стороны

Преимущества:

• Непревзойденная универсальность для множества задач, выходящих за рамки простого обнаружения ограничивающих рамок.
• Оптимизированный Python API через ultralytics пакет, делая обучение и экспорт крайне интуитивными.
• Более высокая средняя точность (mAP) для всех вариантов размеров по сравнению с YOLOv5.

Слабые стороны:

• Разделенная голова (decoupled head) и модуль C2f приводят к небольшому увеличению количества параметров и FLOPs для некоторых вариантов по сравнению с их точными аналогами YOLOv5.

Узнайте больше о YOLOv8

Ultralytics YOLOv5: Гибкий пионер

Представленный в 2020 году, YOLOv5 привнес YOLO в экосистему PyTorch, резко улучшив доступность для разработчиков. Он быстро стал отраслевым стандартом для быстрых, надежных и легко развертываемых моделей обнаружения объектов.

• Автор: Гленн Джокер
• Организация:Ultralytics
• Дата: 2020-06-26
• GitHub:ultralytics/yolov5
• Документация:Документация YOLOv5

Архитектура и методологии

YOLOv5 использует якорную архитектуру и модифицированный backbone CSPDarknet53. Хотя якорные подходы требуют тщательной кластеризации ограничивающих рамок набора данных для определения оптимальных якорей перед обучением, они очень эффективны для конкретных, хорошо определенных наборов данных.

YOLOv5 включает в себя модуль C3, который эффективно извлекает признаки, сохраняя при этом низкое количество параметров. Его функция потерь в значительной степени опирается на потери объектности (Objectness loss) в сочетании с потерями классификации и регрессии ограничивающих рамок, чтобы направлять сеть к точным предсказаниям.

Сильные и слабые стороны

Преимущества:

• Чрезвычайно легковесные, что делает варианты Nano (YOLOv5n) и Small (YOLOv5s) очень подходящими для развертываний граничного ИИ с ограниченными ресурсами.
• Исключительно высокая скорость инференса, особенно на CPU.
• Глубоко укоренившаяся экосистема с обширными обучающими материалами сообщества и сторонними интеграциями.

Слабые стороны:

• Требует конфигурации якорных боксов, что может усложнить настройку для сильно различающихся или пользовательских наборов данных.
• Более низкая общая точность (mAP) по сравнению с современными безанкерными архитектурами, такими как YOLOv8 и YOLO26.

Узнайте больше о YOLOv5

Сравнение производительности

При оценке этих моделей достижение благоприятного компромисса между скоростью и точностью имеет первостепенное значение. В таблице ниже представлены метрики производительности обеих архитектур, оцененных на наборе данных COCO. Скорость на CPU измерялась с использованием ONNX, а скорость на GPU тестировалась с использованием TensorRT.

Хотя YOLOv5 сохраняет небольшое преимущество в количестве параметров и абсолютной чистой скорости для своего варианта Nano, YOLOv8 предлагает значительный скачок в mAP по всем направлениям, обеспечивая гораздо более сильный баланс производительности для требовательных сценариев развертывания в реальном мире.

Простота использования и экосистема Ultralytics

Определяющей характеристикой современных моделей Ultralytics является хорошо поддерживаемая экосистема, окружающая их. Переход от YOLOv5 к YOLOv8 привел к внедрению унифицированного ultralytics пакет pip, создавая максимально оптимизированный пользовательский опыт.

Разработчики могут беспрепятственно выполнять обучение моделей, валидацию, прогнозирование и экспорт всего несколькими строками кода на Python, обходя сложные шаблонные скрипты, исторически необходимые в проектах глубокого обучения.

from ultralytics import YOLO

# Load a pretrained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on custom data efficiently
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Export the model to ONNX for production deployment
path = model.export(format="onnx")

Кроме того, интеграция с такими инструментами, как Ultralytics Platform, упрощает управление наборами данных, облачное обучение и развертывание, обеспечивая активную разработку и мощную поддержку сообщества.

Идеальные варианты использования

Когда выбрать YOLOv5: Если вы поддерживаете устаревшие системы, выполняете инференс на сильно ограниченных CPU, таких как Raspberry Pi, или работаете над проектом, где экономия каждой доли мегабайта в размере модели критически важна, YOLOv5 остается надежной рабочей лошадкой.

Когда выбрать YOLOv8: Для практически всех новых проектов, начинающихся сегодня, YOLOv8 настоятельно рекомендуется вместо YOLOv5. Его передовая архитектура без усилий справляется со сложным отслеживанием, ориентированными ограничивающими рамками (OBB) и сегментацией. Он идеально подходит для современных приложений, начиная от автономной робототехники и заканчивая анализом медицинских изображений и инфраструктурой умного города.

Используя обширную документацию и инструменты, предоставляемые Ultralytics, вы можете легко развернуть YOLOv8 или изучить передовой YOLO26 для решения сложных визуальных задач с беспрецедентной скоростью и точностью. Для дальнейшего изучения рассмотрите наши руководства по настройке гиперпараметров и практикам развертывания моделей.

Комментарии