YOLOX и YOLOv5#

Выбор подходящей модели обнаружения объектов — критически важное решение, от которого зависит успех любого проекта в области компьютерного зрения. В этом руководстве представлен подробный технический анализ двух ключевых моделей в сфере ИИ: YOLOX от Megvii и Ultralytics YOLOv5. Сравнив их архитектуры, показатели производительности и экосистемы обучения, мы поможем разработчикам и исследователям сделать обоснованный выбор для конкретной среды развертывания.

Знакомство с моделями#

Обе модели появились в период стремительного развития обнаружения объектов в реальном времени, однако для достижения высокой производительности они использовали разные архитектурные подходы.

YOLOX: подход без якорных рамок#

YOLOX представили исследователи Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сун из Megvii 18 июля 2021 года. Модель ознаменовала значительный отход от традиционных якорных рамок. В техническом отчёте на Arxiv описано, как YOLOX объединила архитектуру без якорных рамок с разделённой головой и стратегией назначения меток SimOTA. Эта архитектура призвана сократить разрыв между академическими исследованиями и промышленным применением и обеспечить высокую производительность на стандартных наборах данных.

Узнай больше о YOLOX

YOLOv5: стандарт производственного компьютерного зрения на базе ИИ#

Автором YOLOv5 стал Гленн Джочер, а выпуск модели состоялся под эгидой Ultralytics 26 июня 2020 года. YOLOv5 быстро стала отраслевым стандартом для развертывания систем компьютерного зрения. Созданная изначально на базе фреймворка PyTorch, модель сделала передовые технологии ИИ доступнее благодаря непревзойдённому удобству использования, исключительно быстрому обучению и тщательно проработанному репозиторию. Архитектура YOLOv5 обеспечила идеальный баланс скорости, точности и простоты развертывания, благодаря чему модель стала популярным выбором для самых разных решений — от периферийных устройств до крупных облачных развертываний.

Архитектурные различия#

Понимание ключевых технических различий между этими сетями помогает разобраться, почему они по-разному справляются с различными задачами.

Без якорных рамок и с якорными рамками#

Главное отличие YOLOX — механизм работы без якорных рамок. Традиционные модели, например YOLOv5, используют заранее заданные якорные рамки для предсказания ограничивающих рамок. Чтобы определить оптимальные размеры якорей, приходится кластеризовать обучающий набор данных. YOLOX обходится без этого и напрямую предсказывает координаты ограничивающей рамки в каждой пространственной позиции. Подход без якорных рамок сокращает количество проектных параметров и объём эвристической настройки, тогда как доработанный подход YOLOv5 с якорными рамками и функцией автоматической настройки якорей обеспечивает исключительно стабильное и предсказуемое схождение обучения сразу после запуска.

Разделённая и объединённая головы#

В YOLOX используется разделённая голова: задачи классификации и регрессии распределены по отдельным ветвям нейронной сети. По мнению авторов, это устраняет конфликты между обучением пространственных и семантических признаков. В свою очередь, в ранних версиях YOLOv5 применялась тщательно оптимизированная объединённая голова, которая повышала вычислительную эффективность и снижала задержку при инференсе. Это особенно важно для вычислений в реальном времени на периферийных устройствах.

Стратегия назначения меток#

Для назначения меток YOLOX использует SimOTA, формулируя сопоставление объектов истинной разметки с предсказаниями как задачу оптимального переноса. Динамическое назначение улучшает обработку сцен с большим количеством объектов. YOLOv5 применяет надёжный метод назначения на основе правил формы, благодаря чему в функцию потерь стабильно поступают качественные положительные примеры. Это способствует легендарной стабильности обучения модели.

Производительность и тесты#

Главная проверка для этих архитектур — компромисс между скоростью и точностью. В таблице ниже показаны результаты моделей разных размеров на стандартных тестах.

YOLOX демонстрирует конкурентоспособные показатели mAP, особенно в крупных вариантах, однако YOLOv5 заметно превосходит её по скорости инференса в TensorRT во всех категориях. Например, YOLOv5s обеспечивает исключительно выгодное соотношение скорости и точности, что делает её привлекательной для приложений реального времени, где важна каждая миллисекунда.

Преимущества Ultralytics: обучение и удобство использования#

При переходе от исследований к производству экосистема модели зачастую не менее важна, чем сама модель. Именно здесь преимущества экосистемы Ultralytics становятся особенно очевидны.

Удобство работы#

YOLOv5 повсеместно хвалят за удобство разработки — «от нуля до результата». Python API Ultralytics и CLI позволяют загружать, обучать и развертывать модели одной строкой кода. Для сравнения, запуск YOLOX из репозитория Megvii на GitHub требует вручную настраивать переменные окружения, разбираться со сложной конфигурацией путей Python и преодолевать более крутую кривую обучения, типичную для академических кодовых баз.

Эффективность обучения и требования к памяти#

Модели Ultralytics тщательно спроектированы для снижения расхода памяти во время обучения. YOLOv5 требует значительно меньше памяти CUDA, чем модели Transformer с большим количеством параметров, например RT-DETR, или неоптимизированные исследовательские модели. Это позволяет разработчикам обучать модели с большим размером пакета на обычном потребительском оборудовании и ускоряет итеративный цикл разработки.

Универсальность для разных задач#

YOLOX предназначена исключительно для обнаружения объектов, тогда как в экосистеме Ultralytics YOLOv5 получила поддержку нескольких задач компьютерного зрения. Сразу после установки можно выполнять классификацию изображений, сегментацию экземпляров и обнаружение объектов, используя один и тот же синтаксис API.

Сравнение кода#

Разницу в удобстве использования лучше всего видно на примере кода.

Обучение с YOLOv5:

from ultralytics import YOLO

# Загрузить предварительно обученную модель YOLOv5s
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Обучи модель на примере набора данных COCO8
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Запустить инференс на изображении
results = model("https://ultralytics.com/images/zidane.jpg")

# Отобразить результаты
results[0].show()

Обучение с YOLOX: (Требуется вручную клонировать репозиторий, установить setup.py и указать сложные аргументы CLI)

# Example YOLOX training command
python tools/train.py -f exps/default/yolox_s.py -d 1 -b 64 --fp16 -o

Подход Ultralytics устраняет лишние сложности и позволяет сосредоточиться на наборе данных и логике приложения, а не на поиске ошибок в конфигурационных файлах. Кроме того, эксперименты легко отслеживать благодаря встроенным интеграциям с Weights & Biases и Comet ML.

Оптимальные сценарии использования и реальные приложения#

Выбор между этими моделями зависит от условий эксплуатации твоего проекта.

В чем сильна YOLOX#

YOLOX остаётся хорошим кандидатом для академических исследований, в которых изучают парадигмы без якорных рамок или стратегии назначения меток. Она также пригодится в сценариях, где обнаружение объектов в перегруженных сценах — главный критерий, а скорость развертывания на периферийных устройствах не так важна.

В чём сильна YOLOv5#

YOLOv5 — бесспорный лидер практического развертывания.

• Высокоскоростное производство: при обнаружении дефектов на сборочной линии минимальная задержка инференса YOLOv5 на периферийных GPU позволяет проверять изделия, не замедляя конвейер.
• Дроны и аэрофотосъёмка: благодаря экономному использованию памяти модель запускается на лёгких сопроцессорах дронов для таких задач, как мониторинг сельского хозяйства и отслеживание диких животных.
• Умная розница: от автоматизированной оплаты покупок до управления запасами — YOLOv5 легко экспортировать в TensorRT и ONNX для массового развертывания на тысячах магазинных камер.

Что дальше: преимущества YOLO26#

YOLOv5 — легендарная модель, но ИИ развивается стремительно. Если ты начинаешь новый проект сегодня, настоятельно рекомендуем обратить внимание на новейшее поколение моделей Ultralytics.

Выпущенная в 2026 году Ultralytics YOLO26 представляет собой огромный шаг вперёд. В ней предусмотрена опциональная сквозная архитектура без NMS (nms=False), которая устраняет необходимость в постобработке с подавлением немаксимумов и значительно упрощает логику развертывания. Отказавшись от Distribution Focal Loss (DFL) и применив передовой оптимизатор MuSGD, YOLO26 обеспечивает до 43% более быстрый инференс на CPU, чем модели предыдущих поколений, при этом сохраняя более высокую точность. Особенно заметно улучшилось обнаружение небольших объектов благодаря новой комбинации ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учётом малых объектов).

Выбери проверенную временем надёжность YOLOv5 или передовую производительность YOLO26 — платформа Ultralytics предоставит лучшие инструменты, чтобы без проблем довести решения для компьютерного зрения от идеи до производства. Изучи подробную документацию Ultralytics, чтобы раскрыть весь потенциал своего конвейера ИИ.