YOLOv10 so với YOLOv5 So sánh kỹ thuật toàn diện
Việc lựa chọn kiến trúc mạng nơ-ron phù hợp là rất quan trọng để triển khai thành công các quy trình xử lý hình ảnh máy tính trong môi trường sản xuất. Trang này cung cấp phân tích kỹ thuật chuyên sâu so sánh YOLOv10 và YOLOv5 , hai mô hình có ảnh hưởng lớn trong sự phát triển của phát hiện đối tượng thời gian thực. Mặc dù cả hai mô hình đều tạo ra những tác động đáng kể đến cộng đồng AI, nhưng chúng đại diện cho các kỷ nguyên và triết lý khác nhau trong thiết kế kiến trúc học sâu.
Hướng dẫn này đánh giá các kiến trúc này dựa trên Độ chính xác trung bình ( mAP ) , độ trễ suy luận, hiệu quả tham số và hỗ trợ hệ sinh thái, giúp bạn chọn mô hình tốt nhất cho nhu cầu triển khai của mình.
Tổng quan về mô hình
YOLOv10: Phát hiện đối tượng đầu cuối theo thời gian thực
Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, YOLOv10 Đã giới thiệu một phương pháp mới trong việc phát hiện đối tượng bằng cách loại bỏ nhu cầu xử lý hậu kỳ.
- Tác giả: Ao Wang, Hui Chen, Lihao Liu, et al.
- Tổ chức:Đại học Thanh Hoa
- Ngày: 2024-05-23
- Bài báo nghiên cứu:arXiv:2405.14458
- Mã nguồn: Kho lưu trữ GitHub YOLOv10
Bước đột phá mang tính quyết định của YOLOv10 Đó là thiết kế hoàn toàn không cần hệ thống quản lý mạng NMS . Về mặt lịch sử, YOLO Các mô hình dựa vào phương pháp loại bỏ cực đại không đồng nhất (Non-Maximum Suppression - NMS ) để lọc ra các hộp giới hạn dư thừa. YOLOv10 sử dụng các nhiệm vụ kép nhất quán cho NMS - huấn luyện miễn phí, giúp giảm đáng kể sự biến động về độ trễ suy luận và đơn giản hóa logic triển khai. Ngoài ra, kiến trúc này còn có thiết kế toàn diện hướng đến hiệu quả và độ chính xác, tối ưu hóa triệt để các thành phần khác nhau để giảm thiểu sự dư thừa tính toán.
YOLOv5 Tiêu chuẩn ngành về khả năng sử dụng
Được phát hành ngay sau khi thành lập Ultralytics PyTorch kho lưu trữ, YOLOv5 Nó đã định nghĩa lại những gì các nhà phát triển mong đợi từ một khung AI thị giác mã nguồn mở. Nó vẫn là một trong những kiến trúc được triển khai rộng rãi nhất trên toàn cầu.
- Tác giả: Glenn Jocher
- Tổ chức:Ultralytics
- Ngày: 2020-06-26
- Mã nguồn: Kho lưu trữ GitHub YOLOv5
YOLOv5 Được đánh giá cao nhờ tính dễ sử dụng và hệ sinh thái được duy trì rất tốt . Được viết hoàn toàn bằng tiếng Anh. PyTorch Nó cung cấp trải nghiệm "từ con số không đến chuyên gia" liền mạch với hỗ trợ sẵn có cho việc huấn luyện, xác thực và xuất sang các định dạng như ONNX và TensorRT . Không giống như YOLOv10 , tập trung chủ yếu vào việc phát hiện đối tượng thuần túy, YOLOv5 Thể hiện tính linh hoạt vượt trội, hỗ trợ phân đoạn đối tượng và phân loại hình ảnh trong cùng một hệ thống thống nhất. Python API.
So sánh hiệu năng và số liệu
Việc hình dung mối quan hệ giữa tốc độ và độ chính xác là rất cần thiết để xác định các mô hình mang lại độ chính xác tốt nhất cho một ràng buộc tốc độ nhất định. Hiểu rõ các chỉ số hiệu suất này là nền tảng để lựa chọn một mô hình phù hợp với các ràng buộc phần cứng cụ thể của bạn.
| Mô hình | Kích thước (pixels) | mAPval 50-95 | Tốc độ CPU ONNX (ms) | Tốc độ T4 TensorRT10 (ms) | Tham số (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv10n | 640 | 39.5 | - | 1.56 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.7 | - | 2.66 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.3 | - | 5.48 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.7 | - | 6.54 | 24.4 | 92.0 |
| YOLOv10l | 640 | 53.3 | - | 8.33 | 29.5 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 12.2 | 56.9 | 160.4 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Phân tích kỹ thuật
- Độ chính xác ( mAP ): YOLOv10 Điều này chứng tỏ ưu thế rõ rệt về độ chính xác giữa các thế hệ. Ví dụ, YOLOv10 -Mẫu X đạt hiệu suất 54,4% mAP val , vượt trội hơn YOLOv5x (50,7%) mAP Bước tiến này phần lớn là do NMS - Chiến lược đào tạo miễn phí và những cải tiến về kiến trúc được giới thiệu vào năm 2024.
- Độ trễ suy luận: Trong khi YOLOv5 các mô hình hoạt động cực kỳ nhanh trên T4 thô TensorRT các tiêu chuẩn đánh giá (ví dụ: YOLOv5n ở mức 1.12ms), YOLOv10 loại bỏ quá trình xử lý hậu kỳ NMS bước hoàn toàn. Trong các triển khai thực tế từ đầu đến cuối, YOLOv10 'S NMS Thiết kế không phụ thuộc vào thành phần giúp độ trễ ổn định và có thể xác định được hơn, điều này rất quan trọng đối với các ứng dụng thời gian thực như xe tự hành và robot.
- Hiệu quả tham số: YOLOv10 Các mẫu xe duy trì sự cân bằng hiệu năng rất cạnh tranh. YOLOv10 -S đạt 46,7% mAP Với chỉ 7,2 triệu tham số, trong khi YOLOv5s đạt được 37,4%. mAP với 9,1 triệu tham số.
Mẹo triển khai
Khi triển khai trên các thiết bị AI biên như NVIDIA Jetson , các mô hình không có NMS logic (như YOLOv10 và YOLO26) thường biên dịch sạch hơn thành TensorRT , tránh các thao tác dự phòng trở lại CPU .
Các trường hợp sử dụng và Khuyến nghị
Lựa chọn giữa YOLOv10 Và YOLOv5 Điều này phụ thuộc vào các yêu cầu cụ thể của dự án, các ràng buộc triển khai và sở thích về hệ sinh thái của bạn.
Khi nào nên chọn YOLOv10
YOLOv10 là một lựa chọn tốt cho:
- NMS - Phát hiện thời gian thực không cần hệ thống quản lý truy cập (NMS): Các ứng dụng được hưởng lợi từ khả năng phát hiện toàn diện mà không cần hệ thống loại bỏ truy cập không tối đa (Non-Maximum Suppression), giúp giảm độ phức tạp khi triển khai.
- Cân bằng giữa tốc độ và độ chính xác: Các dự án yêu cầu sự cân bằng tốt giữa tốc độ suy luận và độ chính xác phát hiện trên nhiều quy mô mô hình khác nhau.
- Ứng dụng độ trễ ổn định: Các kịch bản triển khai mà thời gian suy luận có thể dự đoán được là rất quan trọng, chẳng hạn như robot hoặc hệ thống tự hành.
Khi nào nên chọn YOLOv5
YOLOv5 được khuyến nghị cho:
- Hệ thống sản xuất đã được chứng minh: Các triển khai hiện có trong đó YOLOv5 Dài track Lịch sử hoạt động ổn định, hệ thống tài liệu đầy đủ và sự ủng hộ mạnh mẽ từ cộng đồng được đánh giá cao.
- Đào tạo trong điều kiện nguồn lực hạn chế: Môi trường có nguồn lực hạn chế GPU nguồn lực ở đâu YOLOv5 Quy trình huấn luyện hiệu quả và yêu cầu bộ nhớ thấp hơn là những lợi thế của nó.
- Hỗ trợ định dạng xuất khẩu đa dạng: Các dự án yêu cầu triển khai trên nhiều định dạng khác nhau, bao gồm ONNX , TensorRT , CoreML và TFLite .
Khi nào nên lựa chọn Ultralytics (YOLO26)
Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:
- NMS - Triển khai biên không cần can thiệp: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không cần sự phức tạp của quá trình xử lý hậu kỳ loại bỏ cực đại không cần can thiệp (Non-Maximum Suppression).
- Môi trường chỉ sử dụng CPU : Các thiết bị không có bộ xử lý chuyên dụng. GPU khả năng tăng tốc, trong đó YOLO26 nhanh hơn tới 43%. CPU Suy luận mang lại lợi thế quyết định.
- Phát hiện vật thể nhỏ: Các tình huống đầy thách thức như ảnh chụp từ máy bay không người lái hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL giúp tăng đáng kể độ chính xác trong việc phát hiện các vật thể siêu nhỏ.
Lợi thế của Ultralytics
Trong khi YOLOv10 Mặc dù Ultralytics cung cấp khả năng phát hiện tuyệt vời, việc dựa vào các kho lưu trữ học thuật đôi khi có thể làm phức tạp các quy trình sản xuất. Bằng cách sử dụng gói Python chính thức Ultralytics , bạn có quyền truy cập vào một hệ sinh thái thống nhất hỗ trợ cả hai. YOLOv5 Và YOLOv10 cùng với các tính năng nâng cao.
- Hiệu quả đào tạo: Ultralytics YOLO Các kiến trúc được tối ưu hóa sâu để giảm yêu cầu bộ nhớ trong quá trình huấn luyện. Không giống như các mô hình transformer nặng (chẳng hạn như...) RT-DETR ) đòi hỏi khối lượng lớn CUDA trí nhớ, bạn có thể thoải mái luyện tập YOLOv5 Và YOLOv10 trên các GPU tiêu chuẩn dành cho người tiêu dùng.
- Tích hợp hệ sinh thái: Việc tích hợp với nền tảng Ultralytics cho phép các nhà phát triển quản lý dữ liệu một cách trực quan. track Thực hiện các thí nghiệm sử dụng Weights & Biases , và tự động điều chỉnh các siêu tham số.
Ví dụ mã: Đào tạo liền mạch
Sử dụng Ultralytics Với thư viện này, việc chuyển đổi giữa các kiến trúc này đơn giản chỉ bằng cách thay đổi chuỗi mô hình. Quy trình huấn luyện tự động xử lý việc tăng cường dữ liệu, điều chỉnh tỷ lệ và cấu hình trình tối ưu hóa.
from ultralytics import YOLO
# To use YOLOv5:
# model = YOLO("yolov5s.pt")
# To use YOLOv10:
model = YOLO("yolov10s.pt")
# Train the model on a custom dataset
results = model.train(
data="coco8.yaml",
epochs=100,
imgsz=640,
batch=16,
device=0, # Use GPU 0
)
# Export the trained model to ONNX format
path = model.export(format="onnx")
Thế hệ tiếp theo: Ultralytics YOLO26
Nếu bạn đang bắt đầu một dự án học máy mới, chúng tôi đặc biệt khuyên bạn nên đánh giá Ultralytics YOLO26 mới nhất. Được phát hành vào tháng 1 năm 2026, nó đại diện cho công nghệ tiên tiến nhất hiện nay bằng cách kết hợp những cải tiến tốt nhất trong năm năm qua.
YOLO26 tích hợp sẵn thiết kế không cần hệ quản lý mạng NMS từ đầu đến cuối, một thiết kế tiên phong của... YOLOv10 , đảm bảo triển khai nhanh chóng và có tính xác định. Hơn nữa, YOLO26 giới thiệu một số đột phá quan trọng:
- Tốc độ suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ mô-đun Suy hao Tiêu điểm Phân phối (DFL), YOLO26 đạt được tốc độ tăng đáng kể trên các CPU tiêu chuẩn, trở thành lựa chọn hàng đầu cho việc triển khai trên thiết bị di động và các cảm biến IoT tiêu thụ điện năng thấp.
- Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện Mô hình Ngôn ngữ Lớn (LLM) như Kimi K2 của Moonshot AI, YOLO26 sử dụng sự kết hợp của... SGD và Muon. Điều này đảm bảo các quá trình huấn luyện cực kỳ ổn định và sự hội tụ được tăng tốc đáng kể so với các phương pháp khác. AdamW các công cụ tối ưu hóa được sử dụng trong YOLOv10 .
- ProgLoss + STAL: Các hàm mất mát tiên tiến này mang lại những cải tiến đáng kể trong việc nhận dạng vật thể nhỏ, điều rất quan trọng đối với ảnh chụp từ máy bay không người lái và các ứng dụng an ninh trên không.
- Nắm vững kỹ năng chuyên môn cụ thể: Trong khi YOLOv10 YOLO26 không chỉ đơn thuần là một bộ phát hiện hộp giới hạn, mà còn cung cấp những cải tiến kiến trúc chuyên dụng cho tất cả các tác vụ, bao gồm ước lượng logarit xác suất dư (RLE) cho tư thế và các tổn thất góc chuyên biệt cho hộp giới hạn định hướng (OBB).
Khám phá thêm
Nếu bạn đang tìm hiểu sâu hơn về lĩnh vực phát hiện đối tượng, bạn cũng có thể quan tâm đến việc so sánh các kiến trúc này với các framework khác. Hãy xem các bài phân tích chi tiết của chúng tôi về YOLO11 so với EfficientDet hoặc RT-DETR so với YOLOv8 để có cái nhìn toàn diện hơn về hiệu năng.
Cho dù bạn dựa vào di sản vững chắc của YOLOv5 , cái NMS - sự đổi mới miễn phí của YOLOv10 hoặc hiệu năng tiên tiến vượt trội của YOLO26, Ultralytics Hệ sinh thái này cung cấp các công cụ cần thiết để nhanh chóng và hiệu quả hiện thực hóa các ứng dụng trí tuệ nhân tạo (AI) về mặt thị giác.