YOLOv5 与 YOLOv7
过去几年,在更快、更准确的实时目标检测需求推动下,计算机视觉领域迅速发展。为项目选择合适架构时,了解热门模型(如 Ultralytics YOLOv5和 YOLOv7)之间的差异很重要。这篇技术对比涵盖它们的架构、训练方法、性能指标和理想部署场景,帮助你做出明智的选择。
模型起源一览#
了解这些模型的起源和设计理念,有助于理解它们在架构上的选择。
YOLOv5 详情:
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub:YOLOv5 仓库
- 文档: YOLOv5 文档
YOLOv7 详情:
- 作者: Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
- 机构: 台湾中央研究院资讯科学研究所
- 日期: 2022-07-06
- arXiv: YOLOv7 论文
- GitHub: YOLOv7 代码仓库
- 文档: YOLOv7 文档
想了解这些模型与其他模型相比表现如何?可以查看 YOLOv5 与 YOLO11或 YOLOv7 与 EfficientDet等对比,进一步了解目标检测生态系统。
架构创新与差异#
YOLOv5:易用性的标杆#
YOLOv5 于 2020 年由 Ultralytics 推出,原生基于 PyTorch框架构建,大幅降低了研究人员和开发者的入门门槛。其架构采用改进版 CSPDarknet53 主干网络,并集成跨阶段局部网络(CSP),在保持梯度流的同时减少参数量。
YOLOv5 的一大优势是内存需求低。与较旧的两阶段检测器或 RT-DETR等大型 Transformer 模型相比,YOLOv5 在训练期间所需的 CUDA 内存显著更少,因此可以在标准消费级 GPU 上使用更大的批次大小。它还具有通用性:原始 YOLOv5 代码仓库支持目标检测、实例分割和图像分类。
YOLOv7:突破实时精度的极限#
YOLOv7 于 2022 年年中发布,重点是在 MS COCO 基准上提升实时检测的先进准确率。作者引入了扩展高效层聚合网络(E-ELAN),在不破坏原始梯度路径的情况下提升网络的学习能力。
YOLOv7 还以其“可训练的免费赠品”而著称,尤其是在训练期间采用重新参数化技术,将多个模块转换为单个卷积层以用于推理,从而在不牺牲准确率的情况下提升速度。不过,与原生 Ultralytics 生态系统相比,这种复杂的训练方法通常学习曲线更陡峭,导出流程也不够直接。
性能对比#
评估这些模型时,速度、准确率和计算成本之间的性能平衡至关重要。下文将基于 MS COCO val2017 数据集详细比较它们的性能指标。
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
YOLOv7 在较大型号上取得了更高的绝对 mAP 分数,而 YOLOv5 提供了更广泛的模型尺寸选择,从适用于边缘设备的轻量 Nano(YOLOv5n)到适用于云端推理的 Extra-Large(YOLOv5x)。
Ultralytics 生态系统的优势#
模型的实用性不仅取决于其原始架构;围绕模型构建的生态系统决定了模型能以多快的速度部署到生产环境中。这正是 Ultralytics 模型的优势所在。
- 易用性:Ultralytics Platform及其统一的 Python API 提供流畅的用户体验、简洁的语法和完善的文档。在自定义数据集上训练只需极少的样板代码。
- 维护完善的生态系统:Ultralytics 持续活跃开发、频繁更新,并获得强大的社区支持。与 Comet和 Weights & Biases等工具的集成也已内置。
- 训练效率:数据加载器、智能缓存和多 GPU 支持让 Ultralytics 模型训练效率更高。现成的预训练权重可加快迁移学习。
代码示例:快速入门#
使用 Ultralytics,只需几行代码即可部署模型。以下 Python 代码片段展示了如何使用推荐的 ultralytics 软件包轻松加载模型、进行训练并运行推理。
from ultralytics import YOLO
# 加载预训练的 YOLOv5s 模型
model = YOLO("yolov5su.pt") # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重
# 使用 COCO8 示例数据集训练模型
# Ultralytics 会自动处理数据下载和增强
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 对示例图像运行推理
predictions = model("https://ultralytics.com/images/bus.jpg")
# 显示预测结果
predictions[0].show()相比之下,使用原始 YOLOv7 仓库通常需要克隆复杂的仓库、手动管理依赖项,并使用冗长的命令行参数。
实际应用与理想用例#
何时选择 YOLOv7#
对于学术基准测试,或以最高 mAP 为唯一目标且系统已针对基于锚框的输出张量进行适配的特定旧版 GPU 流水线,YOLOv7 仍是有力选择。研究梯度路径分析的人员也常将 YOLOv7 用作基线。
何时选择 YOLOv5#
YOLOv5 因稳定可靠而广泛应用于生产环境,尤其适合以下场景:
- 移动端和边缘计算:通过 CoreML 将 YOLOv5n 部署到 iOS,或通过 LiteRT 部署到 Android。
- 敏捷型初创公司:需要快速迭代的团队可利用 Ultralytics Platform集成来管理数据集和进行云端训练。
- 多任务环境:结合目标检测、分割和分类的系统。
未来方向:迈向 YOLO26#
比较 YOLOv5 和 YOLOv7 有助于了解视觉 AI 的演进,但技术前沿仍在不断进步。于 2026 年 1 月发布的 Ultralytics YOLO26是新项目的推荐起点。
与 YOLOv5 和 YOLOv7 相比,YOLO26 具有多项优势:
- 端到端无 NMS 设计:通过选择性跳过非极大值抑制后处理(
nms=False),YOLO26 可简化部署并提供更稳定的延迟。 - MuSGD 优化器:受 Moonshot AI 的 LLM 创新启发,这款混合优化器可带来稳定的训练和更快的收敛。
- 更快的边缘推理:YOLO26n 针对边缘环境进行了优化,移除 Distribution Focal Loss (DFL) 后,CPU 运行速度比 YOLO11n 最快可提升 43%。
- 更高准确率: ProgLoss + STAL 等新训练技术可提升小目标识别能力,这有助于处理无人机影像和机器人应用。
无论你是在维护现有 YOLOv5 流水线,还是采用 YOLO26,Ultralytics Platform都能提供标注、训练和部署工具。
评论
提出问题、分享结果,或帮助其他人。