YOLOv5 与 YOLO11
为新项目选择合适的计算机视觉架构时,了解前沿模型的发展历程非常重要。从早期架构发展到现代统一框架,算法效率和开发者体验都取得了显著进步。本指南对比 Ultralytics 开发的两款广泛使用的模型:YOLOv5 及其后继模型 YOLO11。
模型简介#
这两种架构都是实时目标检测领域的重要里程碑,具体优势取决于你的部署环境和旧版系统要求。
YOLOv5:行业主力模型#
YOLOv5 于 2020 年夏季发布,凭借原生的 PyTorch 实现迅速成为行业标准,降低了训练和部署的门槛。它摆脱了前代模型所用的复杂 Darknet C 框架,采用更符合 Python 习惯的方式构建模型。
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: ultralytics/yolov5
- 文档: YOLOv5 文档
YOLOv5 为易用性树立了坚实的基准,并引入了强大的训练方法,包括 Mosaic 数据增强和自动锚框。它至今仍受到欢迎,研究人员可以基于文档完善且经过充分测试的代码库开展工作。
YOLO11:统一视觉框架#
YOLO11 汇集了多年的反馈和架构研究成果,作为统一框架的一部分推出,能够原生处理多种视觉任务。它不再局限于边界框,而是从设计之初就着眼于实现最大的通用性和效率。
- 作者: Glenn Jocher 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2024-09-27
- GitHub: ultralytics/ultralytics
- 文档: YOLO11 文档
YOLO11 通过 ultralytics Python 包提供精简的用户体验,并配备简洁的 API,将目标检测、实例分割、分类、姿态估计和有向边界框(OBB)整合在一起。它在速度与精度之间实现了出色的平衡,非常适合多样化的真实部署场景。
两种模型都受益于维护完善的 Ultralytics Platform 生态系统。这个集成环境简化了数据集标注、云端训练以及面向各种硬件目标的模型导出。
性能与指标对比#
直接比较这些模型,可以看出架构改进如何转化为实际性能提升。下表展示了在 COCO 数据集上评估的平均精度均值(mAP),以及 CPU 和 GPU 推理速度与参数量。
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
结果分析#
这些指标凸显了 YOLO11 在性能平衡方面的显著提升。例如,YOLO11n(nano)模型的 mAP 达到 39.5%,而 YOLOv5n 为 28.0%;仅多出 0.7M 个参数,mAP 就提升了 11.5 个点。YOLO11 的训练内存需求也低于基于 Transformer 的模型,因此可以在消费级硬件上进行实用的训练,并部署到边缘设备。
架构差异#
YOLO11 的性能提升源于多项关键架构演进。YOLOv5 使用标准的 CSPNet 主干网络和 C3 模块,而较新的 Ultralytics 模型引入了更高效的特征提取模块,例如 C2f(YOLOv8)和 C3k2(YOLO11),以优化梯度流并降低计算开销。
YOLO11 还对检测头进行了大幅改进。较新的 Ultralytics 架构不再采用旧模型的基于锚框的设计,而是改用无锚框方案。这能减少边界框预测数量,简化后处理流程,并提升模型对不同尺度和宽高比的泛化能力。此外,这些模型的训练效率更高,而且提供现成的预训练权重,可加快在自定义数据集上微调时的收敛速度。
实现与代码示例#
Ultralytics 生态系统的一大亮点是简单易用。YOLOv5 让人们广泛使用 torch.hub 进行快速推理,而 YOLO11 则通过统一的 ultralytics Python 包进一步提升了易用性。
使用 YOLO11 训练#
加载、训练和验证模型所需的样板代码很少。API 提供合理的训练默认设置,并自动处理检查点和日志记录。
from ultralytics import YOLO
# 加载预训练的 YOLO11 模型
model = YOLO("yolo11s.pt")
# 使用自定义数据集训练 50 个周期
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 快速执行推理并显示结果
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# 轻松将模型导出为 TensorRT,以加速硬件运行
model.export(format="engine")使用 YOLOv5 执行旧版推理#
如果你正在维护较旧的流程,YOLOv5 可以直接使用 PyTorch 原生的加载机制,因此很容易集成到现有推理脚本中。
import torch
# 从 PyTorch Hub 加载自定义或预训练的 YOLOv5 模型
model = torch.hub.load("ultralytics/yolov5", "yolov5s")
# 对图片 URL 执行推理
results = model("https://ultralytics.com/images/zidane.jpg")
# 在控制台打印预测详情
results.print()两种模型都支持多种导出格式。无论是使用 TensorRT 在 NVIDIA Jetson 上部署,还是通过 CoreML 部署到 iOS 应用,部署流程都有详尽文档,并获得社区支持。
理想应用场景#
在这两种模型之间做选择,主要取决于项目所处的生命周期阶段和具体需求。
何时选择 YOLOv5#
- 维护旧版代码库:如果你的生产环境基于 YOLOv5 仓库结构进行了大量定制,或使用了特定的超参数演化技术。
- 学术基线:当你发表的研究需要直接与 2020—2022 年确立的计算机视觉标准进行基准对比时。
何时选择 YOLO11#
- 多任务项目:当你的应用需要通过统一 API 处理姿态估计和实例分割等多种任务时。
- 边缘部署:对于边缘计算场景,如果在给定计算预算(FLOPs)下尽可能提高 mAP 至关重要。
- 商业 AI 解决方案:适用于零售和安防领域的企业应用,并可获得 Ultralytics Platform 的支持。
新一代模型:Ultralytics YOLO26#
YOLO11 在速度和准确率之间实现了出色的平衡,但该领域发展迅速。对于今天开始新项目的开发者,Ultralytics 推荐使用最新模型:Ultralytics YOLO26。
YOLO26 于 2026 年 1 月发布,针对现代部署需求引入了多项改进:
- 端到端无 NMS 设计:在 YOLOv10 为 YOLO 模型引入的无 NMS 训练基础上,YOLO26 支持原生端到端推理。其可选的一对一检测头(
nms=False)无需进行非极大值抑制(NMS)后处理,从而简化部署流程并降低延迟。 - MuSGD 优化器:受 Moonshot AI 的 Kimi K2 等模型在大语言模型训练方面创新的启发,这种结合 SGD 与 Muon 的混合优化器能够让训练更加稳定、收敛更快。
- 更快的 CPU 推理:移除分布焦点损失(DFL)后,YOLO26n 的 CPU 运行速度最高比 YOLO11n 快 43%,因此非常适合边缘设备和没有专用 GPU 的环境。
- 先进训练方法:集成 ProgLoss 和 STAL 能显著提升小目标识别能力,这对无人机分析、IoT 和机器人应用至关重要。
- 针对任务的优化:模型引入了专门的优化,例如用于姿态估计的残差对数似然估计(RLE),以及用于有向边界框的专用角度损失,从而提升了各项受支持任务的准确率。
如果你对标准目标检测之外的专用架构感兴趣,还可以了解基于 Transformer 的检测模型 RT-DETR,或用于开放词汇跟踪和检测的 YOLO-World。这些维护良好的工具有助于让你的计算机视觉流程保持高效且易于扩展。
评论
提出问题、分享结果,或帮助其他人。