YOLOX и YOLOv5#

Выбор подходящей модели обнаружения объектов — критически важное решение, определяющее успех любого проекта в области компьютерного зрения. В этом руководстве приведено подробное техническое сравнение двух ключевых моделей в сфере ИИ: YOLOX от Megvii и Ultralytics YOLOv5. Анализируя их архитектуры, показатели производительности и экосистемы обучения, мы стремимся помочь разработчикам и исследователям сделать обоснованный выбор для конкретных сред развертывания.

Введение в модели#

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 якорей#

YOLOX была выпущена 18 июля 2021 года исследователями Чжэн Гэ, Сунтао Лю, Фэн Ваном, Цзэмином Ли и Цзянь Суном из Megvii и ознаменовала значительный сдвиг, отказавшись от традиционных якорных блоков. В техническом отчёте Arxiv описано, как YOLOX объединила архитектуру без якорей с раздельной головой и стратегией назначения меток SimOTA. Этот подход был призван сократить разрыв между академическими исследованиями и промышленным применением, обеспечивая высокую производительность на стандартных наборах данных.

Узнай больше о YOLOX

YOLOv5: стандарт производственного ИИ для компьютерного зрения#

Разработанная Гленном Джочером и выпущенная Ultralytics 26 июня 2020 года, YOLOv5 быстро стала отраслевым стандартом для развертываемых систем компьютерного зрения. Созданная на базе фреймворка PyTorch, она сделала передовые технологии ИИ доступными благодаря беспрецедентной простоте использования, исключительно быстрому обучению и тщательно проработанному репозиторию. Архитектура YOLOv5 была ориентирована на идеальный баланс скорости, точности и простоты развертывания, что сделало её популярной для самых разных задач — от периферийных устройств до масштабных облачных развертываний.

Архитектурные различия#

Понимание ключевых механических различий между этими сетями объясняет, почему они по-разному справляются с различными задачами.

Без якорей и с якорями#

Наиболее существенное различие — механизм YOLOX без якорей. Традиционные модели, такие как YOLOv5, используют заранее заданные якорные блоки для предсказания ограничивающих рамок, поэтому для определения оптимальных размеров якорей требуется кластерный анализ обучающего набора данных. YOLOX от этого отказывается и напрямую предсказывает координаты ограничивающей рамки в каждой пространственной позиции. Хотя подход без якорей сокращает число проектных параметров и объём эвристической настройки, усовершенствованный подход YOLOv5 с якорями и функцией автоматического подбора якорей обеспечивает исключительно стабильную и предсказуемую сходимость обучения сразу после запуска.

Раздельная и объединённая голова#

В YOLOX используется раздельная голова: задачи классификации и регрессии разделены на отдельные ветви нейронной сети. Авторы утверждали, что это устраняет конфликты между обучением пространственным и семантическим признакам. В отличие от этого, в YOLOv5 использовалась высокооптимизированная объединённая голова (в ранних версиях), которая повышала вычислительную эффективность и сокращала задержку вывода, что особенно важно для периферийных вычислений в реальном времени.

Стратегия назначения меток#

YOLOX использует SimOTA для назначения меток, формулируя сопоставление объектов истинной разметки с предсказаниями как задачу оптимального транспорта. Такое динамическое назначение улучшает обработку переполненных сцен. В YOLOv5 применяется надёжное назначение на основе правил формы, благодаря чему высококачественные положительные образцы стабильно передаются в функцию потерь, что способствует легендарной стабильности обучения.

Производительность и бенчмарки#

Компромисс между скоростью и точностью — главный тест для этих архитектур. В таблице ниже показана производительность моделей разных размеров на стандартных бенчмарках.

Хотя YOLOX демонстрирует конкурентоспособные показатели mAP, особенно в крупных вариантах, YOLOv5 сохраняет заметное преимущество по скорости вывода в TensorRT во всех конфигурациях. Например, модель YOLOv5s обеспечивает исключительное соотношение скорости и точности, что делает её особенно привлекательной для приложений реального времени, где важна каждая миллисекунда.

Преимущество Ultralytics: обучение и удобство использования#

При переходе от исследований к производству экосистема, окружающая модель, часто не менее важна, чем сама модель. Именно здесь преимущества экосистемы Ultralytics становятся особенно очевидными.

Упрощенный пользовательский опыт#

YOLOv5 повсеместно хвалят за удобный путь разработчика «от нуля до героя». Python API Ultralytics и CLI позволяют загружать, обучать и развёртывать модели одной строкой кода. Напротив, запуск YOLOX из репозитория Megvii на GitHub требует более тщательной ручной настройки переменных среды, сложной конфигурации путей Python и более крутого порога обучения, характерного для академических кодовых баз.

Эффективность обучения и требования к памяти#

Модели Ultralytics тщательно разработаны для минимизации использования памяти во время обучения. YOLOv5 требует значительно меньше памяти CUDA по сравнению с моделями Transformer с большим числом параметров, такими как RT-DETR, или неоптимизированными исследовательскими моделями. Это позволяет разработчикам обучать модели с большими размерами пакетов на оборудовании потребительского класса, ускоряя итеративный цикл разработки.

Универсальность для разных задач#

В то время как YOLOX — это исключительно фреймворк для обнаружения объектов, экосистема Ultralytics расширила YOLOv5 для поддержки нескольких задач компьютерного зрения. Сразу после установки ты можешь выполнять классификацию изображений, сегментацию экземпляров и обнаружение объектов, используя один и тот же синтаксис API.

Сравнение кода#

Разницу в удобстве использования лучше всего демонстрирует код.

Обучение с YOLOv5:

from ultralytics import YOLO

# Load a pretrained YOLOv5s model
model = YOLO("yolov5su.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")

# Display results
results[0].show()

Обучение с YOLOX: (Требуется вручную клонировать репозиторий, выполнить установку через 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 препятствия, позволяя тебе сосредоточиться на наборе данных и логике приложения, а не на отладке конфигурационных файлов. Кроме того, отслеживать эксперименты легко благодаря встроенным интеграциям с Weights & Biases и Comet ML.

Оптимальные сценарии использования и реальные применения#

Выбор между этими моделями зависит от условий эксплуатации твоего проекта.

В чем превосходит YOLOX#

YOLOX остаётся сильным кандидатом для академических задач, в которых исследователи специально изучают парадигмы без якорей или стратегии назначения меток. Она также полезна в сценариях, где обнаружение объектов в переполненных сценах является главным показателем, а скорость периферийного развертывания имеет второстепенное значение.

Где YOLOv5 особенно эффективна#

YOLOv5 — бесспорный чемпион практического развертывания.

• Высокоскоростное производство: Для обнаружения дефектов на сборочной линии минимальная задержка вывода YOLOv5 на периферийных GPU гарантирует проверку продукции без замедления конвейера.
• Дроны и аэрофотосъёмка: Благодаря эффективному использованию памяти модель может работать на лёгких бортовых компьютерах дронов в таких задачах, как мониторинг сельскохозяйственных угодий и отслеживание дикой природы.
• Умная розничная торговля: От автоматизированных касс до управления запасами — YOLOv5 легко экспортируется в TensorRT и ONNX для массового развертывания на тысячах камер в магазинах.

Взгляд в будущее: преимущества YOLO26#

Хотя YOLOv5 — легендарная модель, область ИИ развивается стремительно. Если ты начинаешь новый проект сегодня, мы настоятельно советуем обратить внимание на новейшее поколение моделей Ultralytics.

Выпущенная в 2026 году, Ultralytics YOLO26 представляет собой огромный шаг вперёд. Она поддерживает сквозную архитектуру без NMS, полностью устраняя необходимость постобработки с подавлением немаксимумов, что значительно упрощает логику развертывания. Отказавшись от Distribution Focal Loss (DFL) и используя передовой оптимизатор MuSGD, YOLO26 обеспечивает до 43% более быстрый вывод на CPU, чем предыдущие поколения, сохраняя при этом более высокую точность, особенно для небольших объектов, благодаря новым функциям потерь ProgLoss + STAL.

Выберешь ли ты проверенную временем надёжность YOLOv5 или передовую производительность YOLO26 — платформа Ultralytics гарантирует доступ к лучшим инструментам для беспрепятственного перехода от концепции решения для компьютерного зрения к его промышленной эксплуатации. Обязательно изучи подробную документацию Ultralytics, чтобы раскрыть весь потенциал своего конвейера ИИ.