YOLO Vision 2026：

YOLOv10 与 YOLOv5#

选择正确的神经网络架构对于在生产环境中部署成功的computer vision管道至关重要。本页面提供了深入的技术分析，对比了YOLOv10和YOLOv5，这两款模型在实时目标检测的发展历程中具有深远的影响。尽管这两款模型都对AI社群产生了重大影响，但它们代表了深度学习架构设计中不同的时代和哲学。

本指南基于mean Average Precision (mAP)、推理延迟、参数效率和生态系统支持来评估这些架构，帮助你为部署需求选择最佳模型。

模型概述#

YOLOv10：实时端到端目标检测#

YOLOv10 由清华大学的研究人员开发，通过消除对后处理的需求，引入了一种全新的目标检测方法。

YOLOv10的决定性突破在于其端到端无NMS设计。历史上，YOLO模型依赖于Non-Maximum Suppression (NMS)来过滤冗余的边界框。YOLOv10利用一致的双重分配进行无NMS训练，这极大地减少了推理延迟的变异性并简化了部署逻辑。此外，该架构采用了一个整体效率与准确性驱动的设计，彻底优化了各个组件以减少计算冗余。

了解更多关于 YOLOv10 的信息

YOLOv5：易用性的行业标准#

YOLOv5 在 Ultralytics PyTorch 仓库建立后不久发布，重新定义了开发者对开源视觉 AI 框架的期望。它仍然是全球部署最广泛的架构之一。

YOLOv5以其易用性和高度维护良好的生态系统而闻名。它完全用PyTorch编写，提供了无缝的“从零到英雄”体验，开箱即支持训练、验证以及导出到诸如ONNX和TensorRT等格式。与主要专注于纯目标检测的YOLOv10不同，YOLOv5展现出了卓越的多功能性，在同一个统一的Python API中支持instance segmentation和image classification。

了解更多关于 YOLOv5 的信息

性能与指标对比#

可视化速度与准确性之间的关系对于识别在给定速度约束下提供最佳准确性的模型至关重要。理解这些performance metrics是选择符合你特定硬件约束的 模型的基础。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

技术分析#

  1. 精度 (mAP)： YOLOv10 在精度上展现了明显的代际优势。例如，YOLOv10-X 模型达到了 54.4% mAPval，优于 YOLOv5x (50.7% mAP)。这一飞跃在很大程度上归功于 2024 年引入的无 NMS 训练策略和架构改进。
  2. **推理延迟：**虽然YOLOv5模型在原始T4 TensorRT基准测试中表现出极高的速度（例如，YOLOv5n为1.12ms），但YOLOv10完全消除了后处理的NMS步骤。在端到端的实际部署中，YOLOv10的无NMS设计提供了更一致且更具确定性的延迟，这对于autonomous vehicles和机器人等实时应用至关重要。
  3. 参数效率： YOLOv10 模型保持了极具竞争力的 性能平衡。YOLOv10-S 以仅 7.2M 的参数实现了 46.7% mAP，而 YOLOv5s 以 9.1M 的参数实现 37.4% mAP。
部署提示

当部署到诸如NVIDIA Jetson等edge AI设备时，没有NMS逻辑的模型（如YOLOv10和YOLO26）通常能够更干净地编译到TensorRT中，从而避免回退到CPU的操作。

应用场景与建议#

在 YOLOv10 和 YOLOv5 之间进行选择取决于你的具体项目需求、部署约束和生态系统偏好。

何时选择 YOLOv10#

YOLOv10 是以下情况的有力选择：

  • 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
  • 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
  • 一致延迟的应用： 预测推理时间至关重要的部署场景，例如机器人技术或自主系统。

何时选择 YOLOv5#

YOLOv5 的推荐场景：

  • 久经考验的生产系统： 在那些重视 YOLOv5 长期稳定记录、详尽文档和庞大社区支持的现有部署中。
  • 资源受限的训练： 在 GPU 资源有限的环境中，YOLOv5 的高效训练流程和更低的内存需求具有优势。
  • 广泛的导出格式支持： 需要跨多种格式部署的项目，包括 ONNX、TensorRT、CoreML 和 TFLite。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 诸如航拍无人机图像或物联网传感器分析等具有挑战性的场景，其中 ProgLoss 和 STAL 显著提高了微小目标的准确率。

Ultralytics 的优势#

虽然YOLOv10提供了出色的检测能力，但依赖学术仓库有时会使生产管道变得复杂。通过使用官方的Ultralytics Python package，你可以访问一个支持YOLOv5和YOLOv10以及高级功能的统一生态系统。

  • **训练效率：**Ultralytics YOLO架构针对训练期间更低的memory requirements进行了深度优化。与需要巨量CUDA内存的重型Transformer模型（如RT-DETR）不同，你可以在标准消费级GPU上轻松训练YOLOv5和YOLOv10。
  • **生态系统集成：**与Ultralytics Platform的集成允许开发者可视化管理数据集，使用Weights & Biases跟踪实验，并自动调优超参数。

代码示例：无缝训练#

使用 Ultralytics 库，切换架构只需更改模型字符串即可。训练流水线会自动处理数据增强、缩放和优化器配置。

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")

下一代：Ultralytics YOLO26#

如果你今天正在启动一个新的machine learning项目，我们强烈建议评估最新的**Ultralytics YOLO26**。它于2026年1月发布，结合了过去五年的最佳创新，代表了绝对的行业尖端水平。

YOLO26 原生集成了 YOLOv10 开创的 端到端无 NMS 设计，确保了快速、确定性的部署。此外，YOLO26 引入了几个关键突破：

  • **CPU推理速度最高提升43%：**通过移除分布焦点损失（DFL）模块，YOLO26在标准CPU上实现了巨大的速度提升，使其成为mobile deployment和低功耗IoT传感器的首选。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 等大语言模型 (LLM) 训练技术的启发，YOLO26 利用了 SGD 和 Muon 的混合体。与 YOLOv10 中使用的 AdamW 优化器相比，这确保了极其稳定的训练过程并大大加速了收敛。
  • **ProgLoss + STAL：**这些先进的损失函数在小目标识别方面带来了显着的改进，这对于drone imagery和空中安全应用至关重要。
  • 任务特定精通： 虽然 YOLOv10 严格来说是一个边界框检测器，但 YOLO26 为所有任务提供了专门的架构改进，包括用于姿态估计的残差对数似然估计 (RLE) 和用于旋转边界框 (OBB) 的专门角度损失。
深入探索

如果你正在探索目标检测的更广阔领域，你可能还对将这些架构与其他框架进行比较感兴趣。查看我们关于YOLO11 vs EfficientDet或RT-DETR vs YOLOv8的深度解析，以获取更全面的基准测试。

无论你是依赖 YOLOv5 的稳健遗产、YOLOv10 的无 NMS 创新，还是 YOLO26 无与伦比的前沿性能，Ultralytics 生态系统都为你提供了快速高效地实现视觉 AI 应用所需的工具。

贡献者
GLglenn-jocher15

评论