开始使用

YOLOv10 与 YOLOv5

选择合适的神经网络架构对于在生产环境中成功部署计算机视觉流水线至关重要。本页面深入分析并比较了 YOLOv10 和 YOLOv5,这两个模型对实时目标检测的发展产生了深远影响。尽管这两个模型都对 AI 社区产生了重大影响,但它们代表着深度学习架构设计中的不同时代和理念。

本指南依据平均精度均值 (mAP)、推理延迟、参数效率和生态系统支持情况评估这些架构,帮助你根据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 由清华大学研究人员开发,通过消除 NMS 后处理的需求,为目标检测带来了全新方法。

YOLOv10 的标志性特点是其端到端无 NMS 设计。过去,YOLO 模型依赖非极大值抑制 (NMS)来过滤冗余边界框。YOLOv10 采用一致的双重分配进行无 NMS 训练,从而降低推理延迟的波动并简化部署逻辑。此外,该架构采用以效率和精度为核心的整体设计,优化多个组件以减少计算冗余。

进一步了解 YOLOv10

YOLOv5:易用性的行业标准#

YOLOv5 于 2020 年 6 月由 Ultralytics 发布,提高了开源视觉 AI 框架在易用性方面的标准。它仍是全球部署最广泛的架构之一。

YOLOv5 以其易用性和维护完善的生态系统而闻名。它完全使用 PyTorch 编写,开箱即支持训练、验证以及导出为 ONNX 和 TensorRT 等格式。与专注于目标检测的 YOLOv10 不同,YOLOv5 还具备多功能性:原始 YOLOv5 代码库在 v7.0 中加入了实例分割,并在 v6.2 中加入了图像分类。

性能与指标对比#

可视化速度与精度之间的关系,对于找出在给定速度限制下精度最佳的模型至关重要。理解这些性能指标,是选择符合特定硬件限制的模型的基础。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

技术分析#

  1. 准确率(mAP):YOLOv10 在准确率方面展现出明显的代际优势。例如,YOLOv10-X 模型的 mAPval50-95 达到 54.4%,优于 YOLOv5x(50.7% mAP)。这一提升主要得益于 YOLOv10 的无锚框检测头,以及大核卷积和部分自注意力等以准确率为导向的改进。
  2. 推理延迟: YOLOv5 模型在原始 T4 TensorRT 基准测试中速度很快(例如 YOLOv5n 为 1.12 ms),但 YOLOv10 可以完全跳过 NMS 后处理。在实际端到端部署中,YOLOv10 的无 NMS 设计能够提供更稳定的延迟,这对自动驾驶汽车和机器人等实时应用至关重要。
  3. 参数效率: YOLOv10 模型实现了出色的性能平衡。YOLOv10-S 使用 7.2M 个参数达到 46.3% mAP,参数量与 YOLOv5s 相同,而 YOLOv5s 仅达到 37.4% mAP。
部署提示

部署到 NVIDIA Jetson 等边缘 AI设备时,没有 NMS 逻辑的模型(YOLOv10 或使用 nms=False 导出的 YOLO26)通常能更顺利地编译为 TensorRT,避免回退到 CPU 执行操作。

用例与建议#

选择 YOLOv10 还是 YOLOv5,取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv10#

以下场景适合使用 YOLOv10:

  • 无 NMS 的实时检测:适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率:适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用:适用于推理时间可预测性至关重要的部署场景,例如机器人或自主系统。

何时选择 YOLOv5#

推荐在以下情况下选择 YOLOv5:

  • 经过验证的生产系统: 对于重视 YOLOv5 长期稳定记录、详尽文档和庞大社区的现有部署场景。
  • 资源受限的训练: GPU 资源有限的环境中,YOLOv5 高效的训练流水线和较低的内存需求具有优势。
  • 广泛支持导出格式: 需要跨多种格式部署的项目,包括 ONNX、TensorRT、CoreML和 LiteRT。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境:没有专用 GPU 加速的设备。在这类设备上,YOLO26n 的 CPU 运行速度最高可比 YOLO11n 快 43%。
  • 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

Ultralytics 优势#

YOLOv10 具备出色的检测能力,但依赖学术研究仓库有时会使生产流水线变得复杂。使用官方 Ultralytics Python 包,你可以使用统一的生态系统,获得 YOLOv5 和 YOLOv10 的支持以及高级功能。

  • 训练效率: Ultralytics YOLO 架构针对训练期间的低内存占用进行了优化。与需要更多 CUDA 内存的较大型 Transformer 模型(例如 RT-DETR)不同,YOLOv5 和 YOLOv10 在标准消费级 GPU 上即可轻松训练。
  • 生态系统集成: Ultralytics Platform 让开发者可以通过可视化方式管理数据集并在云端训练,而 Python 软件包可与 Weights & Biases 等实验跟踪工具集成,并支持超参数调优。

代码示例:训练#

使用 Ultralytics 库时,只需更改模型字符串即可在这些架构之间切换。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

# 使用 YOLOv5:
# model = YOLO("yolov5su.pt")

# 使用 YOLOv10:
model = YOLO("yolov10s.pt")

# 在自定义数据集上训练模型
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device=0,  # 使用 GPU 0
)

# 将训练好的模型导出为 ONNX 格式
path = model.export(format="onnx")

新一代模型:Ultralytics YOLO26#

如果你要开始一个新的机器学习项目,可以评估最新的 Ultralytics YOLO26。它于 2026 年 1 月发布,融合了近期 YOLO 各代模型的关键创新。

YOLO26 将 YOLOv10 的端到端、无需 NMS 的设计作为可选的一对一检测头(nms=False),简化了部署。YOLO26 还带来了其他多项改进:

  • CPU 推理速度最多提升 43%: 移除分布焦点损失 (DFL) 模块后,YOLO26n 在标准 CPU 上的运行速度比 YOLO11n 最多快 43%,因此非常适合移动端部署和低功耗 IoT 传感器。
  • MuSGD 优化器: YOLO26 借鉴 Moonshot AI 的 Kimi K2 等大语言模型 (LLM) 训练技术,采用 SGD 和 Muon 的混合方案。与早期 YOLO 模型使用的标准 SGD 和 AdamW 优化器相比,这种方案能实现更稳定的训练和更快的收敛。
  • ProgLoss + STAL: 渐进式损失和小目标感知标签分配可提升小目标识别能力,这对无人机影像和航空安防应用至关重要。
  • 针对任务的改进: YOLOv10 严格来说是边界框检测器,而 YOLO26 支持检测、实例分割、语义分割、深度估计、分类、姿态估计和 OBB,并针对具体任务进行改进,例如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) 的专用角度损失。
深入了解

要将这些架构与其他检测器系列进行比较,请参阅 YOLO11 与 EfficientDet 和 RT-DETR 与 YOLOv8 的比较。

无论你使用经过验证的 YOLOv5、无 NMS 的 YOLOv10,还是最新的 YOLO26,Ultralytics 生态系统都能提供所需工具,帮助你快速将视觉 AI 应用投入生产。

评论

提出问题、分享结果,或帮助其他人。