YOLOv5 与 YOLOv6-3.0
计算机视觉领域不断发展,新的架构持续突破速度和准确率的边界。为下一个视觉 AI 项目选择模型时,开发者往往需要在成熟、通用的框架与高度专业化的工业检测器之间做出选择。这篇对比探讨了 Ultralytics YOLOv5 和 美团 YOLOv6-3.0 的技术差异,帮助你根据部署需求选择合适的工具。
模型简介#
Ultralytics YOLOv5:通用标杆#
Ultralytics YOLOv5 于 2020 年发布后,迅速成为易用且高性能的目标检测方案,并被广泛采用。它以易用性、可靠的训练流水线和丰富的部署集成而著称。
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: ultralytics/yolov5
YOLOv5 从设计之初就旨在为 PyTorch生态系统提供简洁的开发体验。它实现了出色的性能平衡,在保持较高推理速度的同时达到较高的平均精度均值(mAP),适用于从边缘设备到云端服务器的各种真实部署场景。
YOLOv6-3.0:工业吞吐量#
YOLOv6-3.0 由美团视觉 AI 部门开发,专为工业应用量身打造,重点优化专用硬件加速器上的原始吞吐量。
- 作者: Chuyi Li、Lulu Li、Yifei Geng 等。
- 组织: 美团
- 日期: 2023-01-13
- arXiv:2301.05586
- GitHub: meituan/YOLOv6
YOLOv6 旨在最大限度地提升 NVIDIA T4等 GPU 上的处理速度。它采用专用量化方案和专门设计的主干网络来实现高性能,因此非常适合大量使用批次推理的后端服务器处理。
架构差异#
了解这些模型背后的架构选择,对于确定它们的理想应用场景至关重要。
YOLOv5 架构#
YOLOv5 使用高度优化的 CSPDarknet 主干网络和路径聚合网络(PANet)颈部结构。该结构经过大量调优,确保训练和推理期间的内存需求最低。与需要大量 CUDA 内存和较长训练时间的大型 Transformer 模型不同,YOLOv5 在标准消费级硬件上运行高效。
Ultralytics 模型经过专门设计,可实现高效训练。你通常可以在一块中端 GPU 上训练 YOLOv5 模型,因此研究人员和初创公司都能轻松使用。
YOLOv5 不只是目标检测器:原始 YOLOv5 代码仓库还将其架构扩展到实例分割和图像分类。
YOLOv6-3.0 架构#
YOLOv6-3.0 配备了 EfficientRep 主干网络,该网络专为适配硬件而设计,尤其适用于 GPU 执行。它在颈部结构中采用双向拼接(BiC)模块,以增强特征融合。
在训练过程中,YOLOv6 使用锚框辅助训练(AAT)策略来稳定收敛,但推理时仍然是无锚框检测器。虽然这种架构擅长 GPU 加速任务,但与高度便携的 YOLOv5 框架相比,有时更难适配各种边缘设备。
性能分析#
评估这些模型时,原始速度和精度指标至关重要。下方的对比表重点展示了不同模型尺寸在 COCO 数据集上的性能。
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
在所有相同规模的对比中,YOLOv6-3.0 的 mAP 都更高,而 YOLOv5 的资源占用更低。例如,YOLOv5n 所需的参数量和 FLOPs 远少于对应的 YOLOv6 型号,因此非常适合移动端或受 CPU 性能限制的部署场景。
生态系统与易用性#
对许多工程团队而言,真正的决定性因素是围绕模型构建的生态系统。
YOLOv6 是一款功能强大的研究代码仓库,但要将其部署到不同格式,需要更多手动操作。相比之下,Ultralytics 提供了维护完善的生态系统,用户体验流畅。借助统一的 Python API 和直观易用的 Ultralytics Platform,开发者可以管理数据集、一键训练,并直接导出为 ONNX和 TensorRT等格式。
代码示例:统一的 Ultralytics API#
Ultralytics 的 ultralytics pip 软件包只需几行代码,就能让你加载、训练和部署模型。
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
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 对图像运行快速推理
predictions = model("https://ultralytics.com/images/bus.jpg")
# 导出为 ONNX 以便部署到边缘设备
model.export(format="onnx")用例与建议#
选择 YOLOv5 还是 YOLOv6,取决于你的具体项目需求、部署限制和对生态系统的偏好。
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 YOLOv6#
推荐在以下情况下选择 YOLOv6:
- 面向工业硬件的部署: 在这类场景中,模型面向硬件的设计和高效重参数化能针对特定目标硬件优化性能。
- 快速单阶段检测: 优先考虑 GPU 原始推理速度、以便在受控环境中处理实时视频的应用。
- 与美团生态系统集成: 已在 美团技术栈和部署基础设施中开展工作的团队。
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。
展望未来:YOLO26 的优势#
YOLOv5 仍然可靠耐用,YOLOv6-3.0 则能为工业级 GPU 提供强劲吞吐量,但技术前沿已经向前发展。如今开始新项目的开发者,推荐使用 Ultralytics YOLO26。
YOLO26 于 2026 年 1 月发布,代表着一项重大进步。它继承了 Ultralytics 生态系统的通用性,并引入了多项架构改进:
- 端到端无 NMS 设计:YOLO26 的可选无 NMS 检测头(
nms=False)无需进行非极大值抑制后处理,从而减少延迟波动并简化部署逻辑。 - CPU 推理速度最高提升 43%:移除 DFL 并采用更轻量的检测头后,YOLO26n 的 CPU 运行速度比 YOLO11n 最快可提升 43%,这对边缘设备和低功耗设备很有帮助。
- MuSGD 优化器:新的 MuSGD 优化器借鉴了 LLM 训练创新,可实现稳定的训练和更快的收敛。
- 先进的通用性:YOLO26 通过针对具体任务设计的检测头和损失函数支持实例分割、语义分割、深度估计、分类、姿态估计和有向边界框(OBB),同时 ProgLoss 和 STAL 还能提升小目标识别能力。
如果你正在探索 Ultralytics 生态系统中的其他选择,也可以考虑通用型 YOLO11,或用于开放词汇检测任务的 YOLO-World。
结论#
YOLOv5 和 YOLOv6-3.0 都对计算机视觉领域产生了重大影响。YOLOv6-3.0 为高端服务器硬件提供出色的吞吐量,适合专用离线分析。不过,对于需要可靠、易用、通用型模型并希望获得 Ultralytics 生态系统支持的开发者来说,YOLOv5 仍然是不错的选择。
若要在准确率、可选的无 NMS 部署和开发体验之间取得最佳平衡,推荐通过 Ultralytics Platform升级到 YOLO26,以构建现代视觉 AI 解决方案。
评论
提出问题、分享结果,或帮助其他人。