Link to this sectionYOLOv10 与 YOLOv5#
选择合适的神经网络架构对于在生产环境中部署成功的 计算机视觉 流水线至关重要。本页面提供了深入的技术分析，对比了 YOLOv10 和 YOLOv5 这两种在实时目标检测演进中极具影响力的模型。尽管这两种模型都对 AI 社区产生了重大影响，但它们代表了深度学习架构设计中不同的时代和理念。
本指南基于 平均精度均值 (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。
Link to this section模型概述#
Link to this sectionYOLOv10：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。
- 作者： Ao Wang, Hui Chen, Lihao Liu 等
- 机构： 清华大学
- 日期： 2024-05-23
- 研究论文： arXiv:2405.14458
- 源代码： YOLOv10 GitHub 仓库
YOLOv10 的决定性突破在于其 端到端无 NMS 设计。过去，YOLO 模型依赖 非极大值抑制 (NMS) 来过滤冗余的边界框。YOLOv10 利用一致的双重分配进行无 NMS 训练，这极大地降低了推理延迟的可变性并简化了部署逻辑。此外，该架构还具有整体效率与精度驱动的设计，通过彻底优化各个组件来减少计算冗余。
Link to this sectionYOLOv5：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。
- 作者： Glenn Jocher
- 组织： Ultralytics
- 日期： 2020-06-26
- 源代码： YOLOv5 GitHub 仓库
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，并支持训练、验证以及导出到 ONNX 和 TensorRT 等格式。与主要专注于纯目标检测的 YOLOv10 不同，YOLOv5 展示了卓越的 通用性，在同一个统一的 Python API 中支持 实例分割 和 图像分类。
Link to this section性能与指标对比#
可视化速度与精度之间的关系对于识别在给定速度约束下提供最佳精度的模型至关重要。了解这些 性能指标 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) |
|---|---|---|---|---|---|---|
| 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 |
Link to this section技术分析#
- 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。
- 推理延迟： 虽然 YOLOv5 模型在原始 T4 TensorRT 基准测试中速度极快（例如 YOLOv5n 为 1.12ms），但 YOLOv10 完全省去了后处理 NMS 步骤。在端到端的实际部署中，YOLOv10 的无 NMS 设计提供了更一致和确定性的延迟，这对 自动驾驶 和机器人等实时应用至关重要。
- 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。
当部署到 边缘 AI 设备（如 NVIDIA Jetson）时，没有 NMS 逻辑的模型（如 YOLOv10 和 YOLO26）通常能更简洁地编译为 TensorRT，从而避免回退到 CPU 操作。
Link to this section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。
Link to this section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。
- 延迟一致的应用： 在机器人或自动驾驶系统等对可预测推理时间有严格要求的部署场景中。
Link to this section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： 需要在多种格式（包括 ONNX、TensorRT、CoreML 和 TFLite）间进行部署的项目。
Link to this section何时选择 Ultralytics (YOLO26)#
对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：
- 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： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。
Link to this sectionUltralytics 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流水线复杂化。通过使用官方的 Ultralytics Python 包，你可以获得一个统一的生态系统，同时支持 YOLOv5 和 YOLOv10，并享受高级功能。
- 训练效率： Ultralytics YOLO 架构针对训练期间较低的 内存需求 进行了深度优化。与需要海量 CUDA 内存的重型 Transformer 模型（如 RT-DETR）不同，你可以在普通消费级 GPU 上轻松训练 YOLOv5 和 YOLOv10。
- 生态系统集成： 与 Ultralytics 平台 的集成允许开发者直观地管理数据集、使用 Weights & Biases 跟踪实验，并自动调整超参数。
Link to this section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")Link to this section下一代：Ultralytics YOLO26#
如果你今天正要开始一个新的 机器学习 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，代表了绝对的行业领先水平。
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 推理速度提升高达 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 移动端部署 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取得了显著改进，这对 无人机图像 和空中安防应用至关重要。
- 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。
如果你正在探索更广泛的目标检测领域，你可能也会对对比这些架构与其他框架感兴趣。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。