YOLOv5 与 PP-YOLOE+
选择合适的神经网络架构对任何现代计算机视觉项目都至关重要。开发者和研究人员评估实时目标检测模型时,通常需要权衡精度、推理速度和部署便捷性。本技术对比将分析 YOLOv5 和 PP-YOLOE+ 的架构、性能指标与训练方法,帮助你为应用选择合适的模型。
了解架构#
这两种模型都曾推动视觉 AI 的发展,但它们通过不同的结构方法和框架依赖来应对目标检测挑战。
Ultralytics YOLOv5:行业标准#
Ultralytics YOLOv5 于 2020 年 6 月发布,让先进的视觉模型更容易上手。它原生基于 PyTorch 构建,降低了全球 Python 开发者和 ML 工程师的入门门槛。
YOLOv5 详情:
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: ultralytics/yolov5
- 文档: YOLOv5 文档
YOLOv5 使用经过修改的 CSPDarknet 主干网络,能够高效提取丰富的特征表示,同时保持较少的参数量。它引入了自动学习锚框的功能,可在训练开始前自动为自定义数据集计算最佳锚框尺寸。此外,其马赛克数据增强提升了模型检测较小目标的能力,并增强了模型在复杂空间场景中的泛化能力。
YOLOv5 的一大优势是用途广泛。与仅支持检测的模型不同,YOLOv5 代码仓库在同一代码库中支持边界框检测、实例分割(v7.0 新增)和图像分类(v6.2 新增)。与大型 Transformer 网络相比,其架构在训练和推理期间的内存占用也更低。
PP-YOLOE+:PaddlePaddle 阵营的有力竞争者#
PP-YOLOE+ 于 2022 年 4 月推出,是在之前 PP-YOLO 迭代版本基础上构建的模型。它由百度为其 PaddlePaddle 深度学习框架开发,并通过多项架构改进提升了平均精度均值。
PP-YOLOE+ 详情:
- 作者: PaddlePaddle 作者
- 组织: 百度
- 日期: 2022-04-02
- arXiv:2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- 文档:PP-YOLOE+ README
PP-YOLOE+ 采用无锚框设计和 CSPRepResNet 主干网络。它结合任务对齐学习(TAL)和高效任务对齐头来提升精度。虽然 PP-YOLOE+ 精度较高,但其主要局限在于依赖 PaddlePaddle 框架;对于已经使用 PyTorch 或 TensorFlow 的团队来说,这可能增加学习成本和集成难度。
性能与基准测试#
在评估这些模型是否适合生产环境时,理解精度、推理速度和参数量之间的权衡至关重要。下表列出了不同尺寸变体的关键性能指标。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
在所有模型规模下,PP-YOLOE+ 的 mAP 都更高,而 YOLOv5 在所有规模下的 T4 TensorRT 推理速度都更快。对于内存紧张的边缘部署,YOLOv5n 在表中速度最快(1.12 ms),占用也最小(190 万参数)。
Ultralytics 模型针对高效训练进行了专门设计。与 RT-DETR 等基于 Transformer 的检测器相比,YOLOv5 使用的 CUDA 内存更少,让你能够使用更大的批次大小,或在消费级硬件上训练。
Ultralytics 的优势:生态与易用性#
机器学习架构的价值不止于原始数字,还包括完整的开发者体验。Ultralytics Platform 及其开源工具提供了维护良好的生态系统,可缩短开发周期。
- 易用性:Ultralytics 抽象封装了复杂的样板代码。你可以通过直观的 Python API 或 CLI 训练、验证和测试模型。
- 部署灵活性:模型导出十分简单。只需一条命令,你就可以将训练好的 YOLOv5 权重转换为 ONNX、TensorRT 或 OpenVINO 等格式,确保模型广泛兼容边缘端和云端环境。
- 活跃的社区:庞大的社区和持续的维护意味着频繁更新、详尽文档,以及经过充分测试的常见计算机视觉问题解决方案。
相比之下,PP-YOLOE+ 严重依赖 PaddleDetection 专用的复杂配置文件,这会拖慢快速原型开发,并增加集成到现代 MLOps 流水线中的难度。
实用实现和代码示例#
开始使用 Ultralytics 很简单。下面是一个完整且可运行的示例,它会加载预训练的 YOLOv5u 模型,在 COCO8 示例数据集上训练、运行推理,并导出结果:
from ultralytics import YOLO
# 加载预训练的 YOLOv5 小型模型
model = YOLO("yolov5su.pt") # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重
# 使用 COCO8 数据集训练模型 50 个周期
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 对示例图像运行推理
predict_results = model("https://ultralytics.com/images/bus.jpg")
# 将优化后的模型导出为 ONNX 格式
path = model.export(format="onnx")用例与建议#
选择 YOLOv5 还是 PP-YOLOE+,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 YOLOv5#
YOLOv5 适合以下场景:
- 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 PP-YOLOE+#
以下情况推荐使用 PP-YOLOE+:
- 集成 PaddlePaddle 生态系统:已有基于百度 PaddlePaddle框架和工具构建基础设施的组织。
- Paddle Lite 边缘部署:部署到专门针对 Paddle Lite 或 Paddle 推理引擎进行了高度优化的推理内核的硬件上。
- 高精度服务端检测:在强大的 GPU 服务器上优先追求最高检测准确率,且不受框架依赖限制的场景。
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。
值得考虑的其他尖端模型#
YOLOv5 虽然是经过验证的标准模型,但计算机视觉领域发展迅速。对于启动新项目的团队,Ultralytics 推荐使用更新的架构。
Ultralytics YOLO26#
YOLO26 于 2026 年 1 月发布,是最新的 Ultralytics 模型系列,在精度和速度方面均优于早期版本。主要创新包括:
- 端到端无 NMS 设计:YOLO26 延续了 YOLOv10 的理念,可选用一对一检测头(
nms=False),跳过非极大值抑制(NMS)后处理,从而降低延迟并简化部署逻辑。 - 移除 DFL:移除 Distribution Focal Loss 后,YOLO26n 的 CPU 推理速度最高可比 YOLO11n 快 43%,适合低功耗边缘设备。
- MuSGD 优化器:受 LLM 训练技术启发,这种结合 SGD 和 Muon 的混合优化器能够稳定训练过程并加快收敛。
- ProgLoss + STAL:渐进式损失与小目标感知标签分配可提升小目标识别能力,这对无人机图像和智慧农业至关重要。
此外,你还可以考虑 YOLO11。它性能出色,是介于旧系统和 YOLO26 之间可靠且受到全面支持的选择。
实际应用场景#
最终,选择 YOLOv5 还是 PP-YOLOE+,取决于你的部署环境和项目限制。
YOLOv5 的理想应用: YOLOv5 对资源要求低且易于使用,因此常用于边缘 AI。它适合在有限硬件上实现高帧率的应用,例如实时机器人、移动应用集成和多摄像头交通监控系统。它在同一框架中支持实例分割和图像分类,因此适应性很强。
PP-YOLOE+ 的理想应用: PP-YOLOE+ 最适合精度高于推理速度的场景,以及技术栈已基于百度 PaddlePaddle 生态系统构建的组织所使用的工业检测流程。
总之,PP-YOLOE+ 的精度基准表现出色,但 Ultralytics YOLO 模型兼具均衡的性能、简单的部署和对开发者友好的设计,能够帮助计算机视觉项目从概念走向生产。
评论
提出问题、分享结果,或帮助其他人。