YOLOv8 против YOLOv5#

Выбор правильной архитектуры компьютерного зрения — важнейший шаг в создании надежных конвейеров машинного обучения. В этом подробном техническом сравнении мы исследуем различия между двумя самыми популярными моделями в экосистеме искусственного интеллекта зрения: YOLOv8 и YOLOv5. Обе модели были разработаны Ultralytics и существенно сформировали ландшафт обнаружения объектов в реальном времени, установив отраслевые стандарты скорости, точности и простоты использования.

Независимо от того, развертываешь ли ты решения на периферийных устройствах или масштабируешь облачный вывод, понимание архитектурных изменений, метрик производительности и методологий обучения этих моделей поможет тебе принять взвешенное решение для твоих проектов по компьютерному зрению.

Ultralytics YOLOv8: универсальный стандарт#

Выпущенная в начале 2023 года модель YOLOv8 стала серьезным архитектурным сдвигом по сравнению со своими предшественниками. Она была разработана с нуля как единый фреймворк, способный изначально решать множество задач компьютерного зрения, включая сегментацию экземпляров, классификацию изображений и оценку позы.

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

Архитектура и методологии#

YOLOv8 представила детектирующую голову без якорей (anchor-free), что упрощает процесс обучения за счет исключения необходимости вручную настраивать якорные рамки на основе распределения датасета. Это делает модель более устойчивой при обобщении на пользовательских датасетах и сокращает количество предсказаний рамок, ускоряя немаксимум подавление (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 существенного увеличения вычислительных затрат. Кроме того, в YOLOv8 используется структура decoupled head (разделенной головы), которая отдельно обрабатывает задачи определения наличия объекта, классификации и регрессии, что, как было доказано, повышает скорость сходимости и точность.

Сильные и слабые стороны#

Преимущества:

• Непревзойденная универсальность в решении множества задач, выходящих за рамки простого обнаружения ограничивающих рамок.
• Упрощенный Python API с помощью пакета ultralytics, делающий обучение и экспорт крайне интуитивными.
• Более высокая средняя точность (mAP) по всем вариантам размеров по сравнению с YOLOv5.

Недостатки:

• Разделенная голова (decoupled head) и модуль C2f вносят небольшое увеличение количества параметров и FLOPs для некоторых вариантов по сравнению с их прямыми аналогами в YOLOv5.

Узнай больше о YOLOv8

Ultralytics YOLOv5: Ловкий первопроходец#

Представленная в 2020 году модель YOLOv5 принесла YOLO в экосистему PyTorch, кардинально повысив доступность для разработчиков. Она быстро стала отраслевым стандартом для быстрых, надежных и легко развертываемых моделей обнаружения объектов.

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

Архитектура и методологии#

YOLOv5 опирается на anchor-based (якорную) архитектуру и использует модифицированный бэкбон CSPDarknet53. Хотя подходы на основе якорных рамок требуют тщательной кластеризации ограничивающих рамок датасета для определения оптимальных якорей перед обучением, они очень эффективны для конкретных, хорошо определенных датасетов.

В YOLOv5 встроен модуль C3, который эффективно извлекает признаки, сохраняя при этом небольшой размер параметров. Её функция потерь сильно полагается на потерю объектности (Objectness loss) в сочетании с потерями классификации и регрессии ограничивающих рамок для направления сети к точным предсказаниям.

Сильные и слабые стороны#

Преимущества:

• Чрезвычайно легкая, что делает варианты Nano (YOLOv5n) и Small (YOLOv5s) отлично подходящими для развертывания на периферийном ИИ edge AI в условиях ограниченных ресурсов.
• Исключительно высокая скорость инференса, особенно на CPU.
• Глубоко укоренившаяся экосистема с огромным количеством обучающих материалов от сообщества и сторонних интеграций.

Недостатки:

• Требует настройки якорных рамок, что может усложнить подготовку для сильно различающихся или пользовательских датасетов.
• Более низкая общая точность (mAP) по сравнению с современными безъякорными архитектурами, такими как YOLOv8 и YOLO26.

Узнай больше о YOLOv5

Сравнение производительности#

При оценке этих моделей достижение выгодного баланса между скоростью и точностью имеет первостепенное значение. В таблице ниже приведены метрики производительности обеих архитектур, оцененные на датасете COCO. Скорость CPU измерялась с помощью ONNX, а скорость GPU тестировалась с использованием TensorRT.

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

Простота использования и экосистема Ultralytics#

Характерной особенностью современных моделей Ultralytics является поддерживаемая вокруг них экосистема. Переход от YOLOv5 к YOLOv8 принес внедрение единого pip-пакета ultralytics, обеспечивающего максимально удобный пользовательский опыт.

Разработчики могут бесшовно управлять обучением модели, валидацией, предсказанием и экспортом с помощью всего нескольких строк кода Python, избегая сложных шаблонных скриптов, исторически необходимых 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 датасетами, облачное обучение и развертывание, обеспечивая активную разработку и сильную поддержку сообщества.

Идеальные варианты использования#

Когда выбирать YOLOv5: Если ты поддерживаешь устаревшие системы, запускаешь вывод на сильно ограниченных CPU, таких как Raspberry Pi, или работаешь над проектом, где сохранение каждого килобайта размера модели критически важно, YOLOv5 остается надежной рабочей лошадкой.

Когда выбирать YOLOv8: Практически для всех новых проектов, стартующих сегодня, настоятельно рекомендуется YOLOv8 вместо YOLOv5. Ее передовая архитектура без труда справляется со сложным трекингом, ориентированными ограничивающими рамками (OBB) и сегментацией. Она идеально подходит для современных приложений — от автономной робототехники до анализа медицинских изображений и инфраструктуры умного города.

Используя исчерпывающую документацию и инструменты, предоставляемые Ultralytics, ты можешь легко развернуть YOLOv8 или изучить передовую YOLO26 для решения сложных визуальных задач с беспрецедентной скоростью и точностью. Для дальнейшего обучения рекомендуем ознакомиться с нашими руководствами по настройке гиперпараметров и практикам развертывания моделей.