跳转至内容

YOLOv5 与YOLOv7：平衡生态系统与架构

对于开发人员和研究人员来说，选择正确的物体检测模型是一项至关重要的决策。在YOLO （You Only Look Once，你只看一次）系列的发展过程中，YOLO 应运而生、 YOLOv5和 YOLOv7是影响计算机视觉发展的关键架构。YOLOv7 引入了提高准确性的重大架构创新，而Ultralytics YOLOv5 则彻底改变了开发人员的体验，重点关注可用性、部署和强大的生态系统。

本指南对这两种模型进行了深入的技术比较，分析了它们的架构、在COCO 数据集上的性能指标以及在实际应用中的适用性。

Ultralytics YOLOv5：工程标准

YOLOv5 于 2020 年推出，重新定义了对开源对象检测软件的期望。与之前主要作为研究代码存在的迭代版本不同，YOLOv5 是作为产品就绪框架而设计的。它将易用性、可导出性和速度放在首位，使其成为公司构建实时推理应用的首选。

作者： Glenn JocherGlenn Jocher
组织：Ultralytics
日期：2020-06-26
GitHubyolov5
文档yolov5

YOLOv5的主要优势

  • 以用户为中心的设计： YOLOv5 引入了简化的应用程序接口和无缝的培训工作流程，降低了培训自定义对象检测模型的门槛。
  • 部署灵活：通过对导出模式的本地支持，YOLOv5 模型可轻松转换为以下格式 ONNX、CoreML、TFLite 和 TensorRT等格式，以便在各种硬件上部署。
  • 高效的资源利用：该架构针对低内存消耗进行了优化，是NVIDIA Jetson或 Raspberry Pi 等边缘人工智能设备的理想之选。

生态系统支持

YOLOv5 由全面的Ultralytics 生态系统提供支持。这包括与实验跟踪工具的无缝集成，如 Comet和MLflow 等实验跟踪工具以及数据集管理平台的无缝集成。

了解更多关于 YOLOv5 的信息

YOLOv7："免费袋 "方法

YOLOv7 于 2022 年发布，主要侧重于通过架构优化来推动准确性的发展。作者引入了几个新概念，旨在改进特征学习，同时不增加推理成本，他们将这种策略称为 "可训练的免费样本袋"。

作者：Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark LiaoChien-Yao Wang, Alexey Bochkovskiy, and Hong-Yuan Mark Liao
Organization：台湾中央研究院信息科学研究所
日期：2022-07-06
Arxiv:https://arxiv.org/abs/2207.02696
GitHub:https://github.com/WongKinYiu/yolov7
Docsultralytics

建筑创新

YOLOv7 采用了扩展高效层聚合网络 (E-ELAN)，以增强网络的学习能力。它还采用了模型缩放技术，可同时修改架构的深度和宽度。与YOLOv5 中更直接的 CSP-Darknet 骨干网相比，这些复杂的架构变化虽然能有效提高mAP 分数，但有时会使模型更难修改或部署。

了解有关YOLOv7的更多信息

技术性能比较

在比较这两种模型时，通常需要在原始精度和实际部署速度之间进行权衡。在COCO val2017 数据集上，YOLOv7 模型（特别是较大的变体）通常能获得更高的mAP 。然而，Ultralytics YOLOv5 在推理速度和参数效率方面保持优势，尤其是其较小的变体（Nano 和 Small），这对移动部署至关重要。

下表重点介绍了各项性能指标。请注意YOLOv5n 的超快速度，它仍然是资源极其有限环境中的最快选择之一。

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)
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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

指标分析

  • 速度与准确性：YOLOv7x 实现了更高的53.1%mAP，使其适用于每一个像素都很重要的高端安全或医疗分析。然而，对于视频分析或自主导航等应用，YOLOv5n 在TensorRT 上的1.12 毫秒推理时间所提供的帧速率能力是较重的模型所无法比拟的。
  • 训练效率： Ultralytics YOLOv5 采用了 "AutoAnchor "策略和先进的超参数演化技术，与YOLOv7 所需的复杂参数重设方案相比，在训练过程中收敛速度更快。
  • 内存占用：训练变压器或像YOLOv7 这样的复杂架构通常需要高端 GPU（如 A100）。相比之下，YOLOv5 的高效设计允许在消费级硬件上进行训练，从而实现了人工智能开发的平民化。

代码执行

Ultralytics YOLOv5 最有力的论据之一就是其Python API 的简易性。加载预训练模型和运行推理只需要几行代码，这充分证明了该框架的成熟性。

import torch

# Load the YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s", pretrained=True)

# Define an image (url, local path, or numpy array)
img = "https://ultralytics.com/images/zidane.jpg"

# Run inference
results = model(img)

# Print results and show the image with bounding boxes
results.print()
results.show()

这种抽象程度使开发人员能够专注于构建业务解决方案，而不是调试模型架构。

理想用例

何时选择YOLOv7

YOLOv7 是学术研究的绝佳选择，也是硬件限制比原始检测性能更重要的应用场景的理想选择。

  • 学术研究：用于对最先进的检测技术进行基准测试。
  • 高精度检测：如制造质量控制，在这种情况下，检测微小缺陷至关重要，而延迟则不那么重要。

何时选择Ultralytics YOLOv5

YOLOv5 仍是快速开发和生产部署的行业标准。

  • 边缘部署：非常适合通过TFLite 或CoreML 导出在iOS 和Android设备上运行。
  • 机器人：低延迟对于自主机器人所需的反馈回路至关重要。
  • 多功能性：除检测外，YOLOv5 资源库还支持实例分割和图像分类，为多种视觉任务提供了统一的代码库。

结束语现代前进之路

而YOLOv7 则展示了架构调整的威力、 Ultralytics YOLOv5仍然是需要可靠、文档齐全、易于部署的解决方案的开发人员的最佳选择。它兼顾了速度、准确性和生态系统支持，确保了它在全球生产环境中的实用性。

然而，计算机视觉领域的发展日新月异。对于那些追求绝对最佳性能的人来说 YOLO11代表了Ultralytics 的最新发展。YOLO11 以YOLOv5 的可用性为基础，采用了最先进的transformer模块和无锚设计，在精确度和效率方面超越了YOLOv5 和YOLOv7 。

要想获得支持对象检测、姿势估计 和定向边框（旋转框检测）的面向未来的解决方案，强烈建议迁移到Ultralytics YOLO11 框架。

发现更多比较

了解其他型号与Ultralytics YOLO 系列的对比情况：


评论