跳转至内容

YOLOv5 vs YOLO11:技术比较

选择合适的物体检测模型是一个至关重要的决定,它需要在准确性、速度和资源效率的需求之间取得平衡。本页面提供了 Ultralytics 的两个具有里程碑意义的模型之间的详细技术比较:被广泛采用的 Ultralytics YOLOv5 和最先进的 Ultralytics YOLO11。虽然 YOLOv5 为性能和易用性设定了行业标准,但 YOLO11 代表了下一个进化,在同一强大的 Ultralytics 生态系统中,提供了卓越的准确性、更大的多功能性和增强的效率。

Ultralytics YOLOv5:已建立的行业标准

YOLOv5 于 2020 年发布,迅速成为世界上最受欢迎的目标检测模型之一。它以速度、可靠性和用户友好性的卓越结合而闻名,使其成为无数开发人员和研究人员的首选。

技术细节:

架构和主要特性

YOLOv5 构建于 PyTorch 之上,并采用 CSPDarknet53 主干网络,结合 PANet neck 以实现有效的特征聚合。其架构具有高度可扩展性,提供从小型快速的 YOLOv5n 到大型精确的 YOLOv5x 的各种模型。YOLOv5 的一个关键特性是其基于 anchor 的检测头,该检测头在其发布时非常有效。

优势

  • 卓越的推理速度: YOLOv5 针对快速推理进行了高度优化,使其成为实时应用的可靠选择,尤其是在 GPU 硬件上。
  • 成熟的生态系统: 作为一个完善的模型,YOLOv5 受益于庞大的社区、大量的教程和广泛的第三方支持。它已经在众多的生产环境中经过了实战检验。
  • 易用性: YOLOv5 以其简单的 API 和全面的 文档 而闻名,可实现快速原型设计和部署。 该模型已无缝集成到 Ultralytics 生态系统中,包括用于无代码训练的 Ultralytics HUB
  • 训练效率: YOLOv5 提供高效的训练流程,并提供随时可用的预训练权重,从而实现有效的迁移学习和更快的开发周期。

弱点

  • 基于 Anchor 的检测: 它对预定义 anchor 框的依赖有时可能需要仔细调整,以便在具有不规则形状对象的数据集上获得最佳性能,这是较新的 无 anchor 检测器 解决的一个限制。
  • 精度上限: 虽然仍然非常准确,但其在 COCO 等基准测试中的性能已被 YOLO11 等更新的架构超越。

理想用例

对于速度和稳定性至关重要的应用,YOLOv5 仍然是一个极佳的选择:

  • 边缘计算: 其较小的变体非常适合部署在资源受限的设备(如 Raspberry PiNVIDIA Jetson)上。
  • 实时监控: 为需要高 FPS 的安全系统和监控应用程序提供支持。
  • 工业自动化: 用于制造环境中的质量控制和过程自动化。

了解更多关于 YOLOv5 的信息

Ultralytics YOLO11:视觉 AI 的下一个进化

YOLO11 是 Ultralytics 的最新技术模型,旨在突破计算机视觉领域可能实现的界限。它建立在其前身(包括 YOLOv8)的成功之上,从而在准确性、速度和多功能性方面实现了显著改进。

技术细节:

架构和主要特性

YOLO11 引入了一种精细的网络架构,具有先进的特征提取功能和简化的设计。一个主要的进步是它的无锚框检测头,它提高了泛化能力并简化了训练过程。这种现代设计使 YOLO11 能够以更高效的参数使用实现更高的准确性,从而加快推理速度并降低计算需求。

优势

  • 顶尖性能: YOLO11 树立了新的精度标准,在所有模型尺寸上实现了比 YOLOv5 更高的 mAP 分数。
  • 增强的通用性: YOLO11是一个真正的多任务框架,支持物体检测实例分割图像分类姿势估计和旋转框检测(OBB),所有这些都在一个统一的模型中。
  • 卓越的效率: 该模型非常高效,可提供更好的速度-精度权衡。值得注意的是,与 YOLOv5 相比,它在 CPU 上的推理速度明显更快,因此可用于更广泛的硬件。与其他许多架构相比,它在训练和推理方面也需要更少的内存。
  • 简化的用户体验: 作为 Ultralytics 生态系统的一部分,YOLO11 秉承了对易用性的承诺,提供简单的 Python API、强大的 CLI 和全面的文档。

弱点

  • 大型模型的计算需求: 尽管 YOLO11 模型效率很高,但最大的 YOLO11 模型(例如 YOLO11x)仍然需要大量的计算资源才能实现最高的准确率。
  • 不断发展的集成: 作为一个较新的模型,第三方工具和集成的生态系统正在迅速增长,但可能尚未像长期建立的 YOLOv5 那样广泛。

理想用例

YOLO11 是需要最高级别精度和灵活性的新项目的理想选择:

  • 高级机器人技术: 在复杂的动态环境中实现精确的物体交互和导航。
  • 医疗保健和医学影像: 支持诸如肿瘤检测等对高精度要求很高的任务。
  • 智慧城市: 为先进的 交通管理 和公共安全系统提供支持。
  • 零售分析: 通过更高的精度改善库存管理和客户行为分析。

了解更多关于 YOLO11 的信息

性能面对面:YOLOv5 vs. YOLO11

性能指标清楚地说明了 YOLO11 所取得的进步。总的来说,YOLO11 模型在保持甚至提高推理速度的同时,显著提高了 mAP。例如,YOLO11s 实现了 47.0 mAP,与 YOLOv5l 相当,但参数少得多,并且 CPU 推理速度明显更快。同样,YOLO11m 在准确性方面超过了 YOLOv5x(51.5 对 50.7 mAP),同时在 CPU 上的速度快了 4 倍以上。

模型 尺寸
(像素)
mAPval
50-95
速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(毫秒)
参数
(M)
FLOPs
(B)
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
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9

结论:您应该选择哪种模型?

虽然 YOLOv5 仍然是一个可靠的模型,但 YOLO11 是明显的继任者,也是几乎所有新项目的推荐选择。 它在性能上有了巨大的飞跃,提供了更高的准确性、更大的任务多功能性和更高的效率,而没有牺牲使其前身如此受欢迎的易用性。

  • 如果您正在处理已使用 YOLOv5 的遗留项目,或者您的主要限制是在其特定 GPU 速度优化提供关键优势的硬件上进行部署,请选择 YOLOv5

  • 对于任何新应用,请选择 YOLO11。其卓越的精度、无锚框设计、多任务功能以及在 CPU 和 GPU 上的出色性能使其成为更强大、更灵活且面向未来的解决方案。

这两款模型都得到了强大的 Ultralytics 生态系统的支持,通过卓越的支持和文档,确保了流畅的开发体验。

探索其他模型对比

如果您想了解这些模型与其他领先架构的对比情况,请查看我们的其他对比页面:



📅 1 年前创建 ✏️ 1 个月前更新

评论