模型比较：用于物体检测的YOLOv5 与 YOLOv6-3.0 比较
选择最佳的物体检测模型对于计算机视觉应用的成功至关重要。Ultralytics YOLOv5 和美团 YOLOv6-3.0 都以其高效性和准确性而广受欢迎。本页提供技术比较，帮助您决定哪种模型最适合您的项目需求。我们将深入探讨它们在架构上的细微差别、性能基准、训练方法和合适的应用。
Ultralytics YOLOv5
YOLOv5是一种单级对象检测模型，以速度快、适应性强而著称。YOLOv5 由Ultralytics 开发，最初于 2020 年 6 月 26 日发布，采用灵活的架构，易于扩展和定制。其架构采用了 CSPBottleneck 等组件，注重优化推理速度，并与准确性保持平衡。
- 作者： Glenn Jocher格伦-约切尔
- 组织机构 Ultralytics
- 日期： 2020-06-26
- GitHub：YOLOv5 GitHub 代码库
- 文档：YOLOv5 文档
YOLOv5 提供一系列模型尺寸（n、s、m、l、x），每种尺寸都是为满足不同的性能要求而设计的。YOLOv5n 等较小的模型体积小巧、推理速度快，是边缘设备的理想选择，而 YOLOv5x 等较大的模型则为要求更高的任务提供了更高的精度。YOLOv5 凭借其速度和效率，在需要实时物体检测的应用中表现尤为突出。
YOLOv5 的优势：
- 速度：YOLOv5 的推理速度非常快，适合实时应用。
- 灵活性：其架构可高度定制和扩展。
- 社区支持：以一个庞大而活跃的社区为后盾，提供广泛的资源和支持。
- 易用性：Ultralytics HUB 增强了培训、验证和部署的简单工作流程。
YOLOv5 的弱点：
- 精确度：较大的 YOLOv6-3.0 模型虽然准确，但在某些基准测试中，其 mAP 性能略胜一筹。
美团 YOLOv6-3.0
YOLOv6-3.0 由美团开发，于 2023 年 1 月推出，代表了YOLO 系列的进步，重点在于提高准确性和速度。虽然具体的架构细节可在 YOLOv6 的官方资源中找到，但它采用了双向串联（BiC）模块和锚点辅助训练（AAT）策略等创新技术。这些增强功能旨在提高特征提取和检测精度，而不会明显降低速度。
- 作者李楚怡、李璐璐、耿一飞、蒋洪亮、程萌、张博、柯在丹、徐晓明、储祥祥
- 组织机构美团
- 日期：2023-01-13
- arXiv:YOLOv6 v3.0：全面重装
- GitHub：YOLOv6 GitHub 代码库
- 文档：YOLOv6 文档
YOLOv6-3.0 还提供了不同大小（n、s、m、l）的模型，以平衡性能和计算资源。基准测试表明，与类似大小的YOLOv5 模型相比，YOLOv6-3.0 模型的 mAP 具有竞争力或更胜一筹，尤其是在更大的配置下，这表明物体检测任务的准确性得到了提高。
YOLOv6-3.0 的优势：
- 精度：通常可提供具有竞争力或更好的 mAP，尤其是较大尺寸的机型。
- 推理速度：推理速度快，适合实时目标检测。
- 结构创新：采用 BiC 模块和 AAT，提高性能。
YOLOv6-3.0 的弱点：
- 社区和资源：虽然有效，但与YOLOv5 相比，它可能没有广泛的社区支持和现成的资源。
- 集成：与Ultralytics HUB 和相关工具的直接集成可能不如与本地Ultralytics 模型的无缝集成。
性能对照表
| 模型 | 大小（像素） | mAPval50-95 | 速度CPU ONNX（毫秒） | 速度T4张量RT10（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 |
| 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 |
结论
YOLOv5 和 YOLOv6-3.0 都是强大的对象检测模型，各自具有独特的优势。YOLOv5 仍然是一个通用性强、速度快的模型，得益于广泛的社区支持和Ultralytics 生态系统内的无缝集成。它是各种实时应用的绝佳选择。YOLOv6-3.0 为优先考虑更高精度而又不牺牲推理速度的项目提供了令人信服的替代方案。其架构增强功能可在某些情况下提供性能优势。
对于寻求尖端模型的用户，可考虑探索Ultralytics 的最新模型，如 YOLOv8、YOLOv9、YOLOv10和 YOLO11.对于专业应用，YOLO和 RT-DETR等模型具有独特的优势，而 FastSAM则提供了高效的分段能力。
欲了解更多详情和更广泛的模型，请参阅Ultralytics 模型文档。
