在 GitHub 上编辑页面 (EN)

YOLOv5 与 YOLOv10：全面技术对比

过去几年，实时计算机视觉领域呈现出指数级增长，各种架构不断突破现代硬件的性能极限。在评估前沿架构时，YOLOv5 与 YOLOv10 的对比突显了目标检测领域的重要演进。本次深度技术解析将探讨它们的架构范式、性能权衡，以及开发者如何在生产环境中利用这些工具。

架构深度剖析

了解这些模型之间的结构差异对于在现实世界中高效部署它们至关重要。

Ultralytics YOLOv5：行业标准

由 Ultralytics 推出的 YOLOv5 长期以来因其在速度、精度和易用性之间无与伦比的平衡而受到认可。

了解更多关于 YOLOv5 的信息

YOLOv5 依赖于基于锚框的检测机制，并结合了深度优化的 CSPDarknet 主干网络。该架构严重依赖于几乎所有推理引擎都支持的标准操作，使其具有极高的通用性。其主要优势在于 Ultralytics Python SDK，它提供了精简的用户体验、简单的 API 和详尽的文档。此外，与基于 Transformer 的模型相比，YOLOv5 的内存需求更低，这意味着它可以在消费级 GPU 上快速训练，而不会产生高昂的 VRAM 开销。

YOLOv10：推进范式

由清华大学研究人员开发的 YOLOv10 旨在解决先前架构中存在的特定延迟瓶颈。

了解关于 YOLOv10 的更多信息

YOLOv10 的显著特征是其原生无 NMS（非极大值抑制）的设计。通过在训练期间使用一致的双重分配，该模型消除了推理过程中对 NMS 后处理的需求。这种理论上的延迟降低对于在具备强大 NVIDIA TensorRT 加速的高端硬件上运行的部署非常有利，尽管它可能会给边缘设备带来结构上的复杂性。

生态系统优势

虽然 YOLOv10 提供了有趣的架构创新，但像 YOLOv5 以及更新的 YOLO26 这样的 Ultralytics 模型在 Ultralytics Platform 内获得了原生支持，开箱即用，提供了卓越的训练效率、自动超参数进化和广泛的导出选项。

性能分析

在比较这些模型时，精度 (mAP) 与计算成本（延迟和参数量）之间的平衡决定了最佳用例。以下是基于 COCO 数据集 的技术性能对比。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

YOLOv10 在同等规模下明显实现了更高的 mAP50-95，利用了其现代化、以效率与精度为导向的模型设计。然而，YOLOv5 保持了极具竞争力的延迟，特别是在 Nano 和 Small 层级，使其对于 NVIDIA Jetson 系列等受限嵌入式环境或通过 OpenVINO 运行的标准 CPU 非常可靠。

训练方法与生态系统

模型的价值与其周围的生态系统息息相关。Ultralytics 维护着一个极其完善的生态系统，支持极其广泛的任务。虽然 YOLOv10 严格专注于 2D 目标检测，但 Ultralytics 原生支持 实例分割、图像分类、姿态估计 和 定向边界框 (OBB)。

此外，训练 Ultralytics 模型所需的内存开销远低于同类的基于 Transformer 的方法，从而保持了开发周期的快速和高性价比。

无缝代码执行

模型的训练、验证和导出在统一的 API 下进行。你只需更改字符串即可切换不同模型。

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model for baseline testing
model_v5 = YOLO("yolov5s.pt")

# Load a YOLOv10 model for comparison
model_v10 = YOLO("yolov10s.pt")

# Train the model on the COCO8 dataset efficiently
results = model_v5.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    device="0",  # Automatically utilizes PyTorch CUDA acceleration
    batch=16,
)

# Export to ONNX for CPU inference deployment
model_v5.export(format="onnx", simplify=True)

用例与建议

在 YOLOv5 和 YOLOv10 之间进行选择，取决于你的特定项目需求、部署限制和生态系统偏好。

何时选择 YOLOv5

YOLOv5 是以下场景的有力选择：

  • 经过验证的生产系统： 在那些重视 YOLOv5 长期稳定性、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 资源有限且 YOLOv5 高效的训练流水线和较低内存需求更具优势的环境中。
  • 广泛的导出格式支持： 项目需要部署到多种格式，包括 ONNX、TensorRT、CoreML 和 TFLite。

何时选择 YOLOv10

建议在以下场景中使用 YOLOv10：

  • 无需 NMS 的实时检测： 得益于端到端检测且无需非极大值抑制，从而降低了部署复杂性的应用。
  • 平衡的速度-精度权衡： 需要在不同模型规模下实现推理速度与检测精度之间良好平衡的项目。
  • Consistent-Latency Applications: Deployment scenarios where predictable inference times are critical, such as robotics or autonomous systems.

何时选择 Ultralytics (YOLO26)

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、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： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

未来展望：Ultralytics YOLO26

虽然 YOLOv5 彻底改变了易用性，YOLOv10 推动了无 NMS 架构的边界，但最前沿的技术仍在不断演进。对于新项目，我们强烈推荐在 2026 年 1 月发布的尖端 Ultralytics YOLO26。

YOLO26 将 Ultralytics 生态系统的可靠性与突破性的进步相结合：

  • 端到端无 NMS 设计： 通过将无 NMS 范式直接融入 Ultralytics 框架，YOLO26 简化了部署并保证了更低的延迟。
  • CPU 推理速度提升高达 43%： 随着分布焦点损失 (DFL) 的移除，YOLO26 在没有 GPU 的边缘设备上表现出显著的加速。
  • MuSGD 优化器： 受 Moonshot AI 在 LLM 训练方面创新的启发，MuSGD 优化器提供了前所未有的稳定性和快速收敛能力。
  • ProgLoss + STAL： 这些新颖的损失函数显著改善了小目标识别能力，这对于无人机图像和机器人等领域至关重要。

你可以直接通过 Ultralytics Platform 管理、训练和部署 YOLO26。

总结

在 YOLOv5 和 YOLOv10 之间做出选择往往取决于具体的项目限制。YOLOv10 为研究人员和利用原始 GPU 吞吐量的应用程序提供了出色的 mAP。反之，YOLOv5 仍然是标准部署中可靠、兼容性极高的主力军。

然而，计算机视觉领域是动态变化的。为了获得性能平衡、通用性和易用性的最佳组合，开发者应着眼于 Ultralytics YOLO26。它将无 NMS 推理的速度与稳健且文档完备的 Ultralytics 生态系统融为一体，确保你的视觉 AI 解决方案经得起未来考验。对于专业用例，开发者还可以探索用于通用稳健性的 YOLO11，或用于基于 Transformer 的精度的 RT-DETR。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12

评论