开始使用

YOLOv5 与 YOLOv8 对比

构建可扩展且高效的计算机视觉应用时,选择合适的架构至关重要。Ultralytics 生态系统持续提升速度和准确率,为开发者提供了适用于真实部署场景的可靠工具。这篇技术对比探讨了 YOLOv5 和 YOLOv8 的差异,包括它们的架构、性能取舍和理想应用场景,帮助你为下一个 AI 项目做出明智选择。

这两款模型都是实时目标检测发展史上的重要里程碑,也都受益于 Ultralytics 生态系统所具备的低内存需求和易用性。

YOLOv5:可靠的行业标准#

YOLOv5 于 2020 年推出后,迅速成为快速、易用且可靠的目标检测标准,并被广泛采用。它采用原生 PyTorch 实现,简化了全球工程师的训练和部署流程。

架构优势#

YOLOv5 采用基于锚框的检测范式,依靠预定义的锚框预测目标边界。其架构采用跨阶段局部网络(CSP)主干网络,可优化梯度流并减少计算冗余。因此,它的内存占用较低,即使在标准消费级 GPU 上也能快速训练。

理想应用场景#

YOLOv5 适合优先考虑最大吞吐量和最低资源消耗的项目。它在边缘 AI环境中表现出色,例如部署到 Raspberry Pi或移动设备上。YOLOv5 已发展成熟,并在数千个商业部署中得到验证,可为传统目标检测工作流提供稳定表现。

旧版部署优势

由于应用广泛,YOLOv5 已拥有稳定且经过充分测试的导出路径,可支持 TensorRT和 ONNX等部署框架,从而简化与旧技术栈的集成。

YOLOv8:统一的视觉框架#

YOLOv8 于 2023 年 1 月发布,是一次重大的架构转变:它从专用目标检测器演进为通用的多任务视觉框架。

架构创新#

与前代模型不同,YOLOv8 引入了无锚框检测头。这样就不再需要根据数据集分布手动调节锚框配置,从而提升了模型在不同数据集上的泛化能力,涵盖热门的 COCO 数据集和各种自定义数据。

该架构还通过引入 C2f 模块(带有两个卷积的跨阶段局部瓶颈结构)升级了主干网络,取代了较旧的 C3 模块。这项改进在不会大幅增加内存负担的情况下提升了特征表示能力。此外,解耦检测头将分类和回归任务分开,改善了模型训练过程中的收敛表现。

通用性与 Python API#

YOLOv8 引入了现代化的 ultralytics Python API,为各种计算机视觉任务统一了工作流。无论你执行的是实例分割、图像分类还是姿态估计,统一的 API 都只需进行少量配置更改。

from ultralytics import YOLO

# 加载预训练的 YOLOv8 模型
model = YOLO("yolov8n.pt")

# 使用内置的内存效率优化功能在自定义数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 运行推理并轻松解析结果
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

详细性能对比#

比较这两代模型时,可以看到一个典型的取舍:YOLOv8 在各个方面的平均精度均值(mAP)都更高,而 YOLOv5 在最小型号的绝对原始推理速度和参数量方面仍有优势。

以下是它们在 COCO 数据集上以 640 像素图像尺寸运行时的详细性能指标对比。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

数据显示,YOLOv8 大幅提升了准确率。例如,YOLOv8s 达到 44.9 mAP,而 YOLOv5s 为 37.4 mAP,提升了 7.5 个点,有助于处理密集场景和小目标。不过,对于资源高度受限的环境,YOLOv5n 仍是效率最高的选择,参数量和 FLOPs 都最低。

内存需求

与 Transformer 模型等更庞大的架构相比,这两个模型在训练期间都针对较低的 CUDA 显存占用进行了高度优化。这让开发者可以在标准 GPU 上使用更大的批次,从而加快研究进程。

生态系统优势#

无论选择 YOLOv5 还是 YOLOv8,开发者都能使用维护完善的 Ultralytics Platform。这一集成环境提供了用于数据集标注、云端训练和模型监控的简便工具,而 ultralytics 软件包还内置了超参数调优功能。活跃的开发和强大的社区支持,能帮助开发者快速解决问题,并与 Weights & Biases 和 ClearML 等外部工具集成。

其他框架的学习曲线可能更陡峭,而 Ultralytics 注重简化用户体验,在速度和准确率之间实现了良好平衡,适用于各种真实部署场景。

超越 v8:探索 YOLO11 和 YOLO26#

YOLOv8 是一款功能强大的框架,但人工智能领域发展迅速。追求先进性能的开发者还应了解 YOLO11,它在 v8 的基础上进一步提升了准确率和速度。

对于新项目,Ultralytics 推荐使用 Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布,带来了多项改进:

  • 端到端无 NMS 设计:在 YOLOv10 为 YOLO 模型引入的无 NMS 训练基础上,YOLO26 的可选一对一检测头(nms=False)会省去非极大值抑制后处理,从而简化并加快部署流程。
  • MuSGD 优化器:受 Kimi K2 等模型中 LLM 训练创新的启发,YOLO26 采用混合优化器,实现更稳定的训练和更快的收敛。
  • 边缘计算:YOLO26n 的 CPU 运行速度比 YOLO11n 最快可提升 43%,因此 YOLO26 非常适合没有专用 GPU 的设备。
  • 准确率提升:通过采用新的渐进式损失和小目标感知标签分配(ProgLoss + STAL),模型的小目标识别能力得到了提升,这对机器人和无人机航空影像至关重要。

无论是维护基于 YOLOv5 的旧系统、使用 YOLOv8 扩展通用型应用,还是在新项目中采用 YOLO26,Ultralytics 生态系统都能提供训练、部署和维护现代视觉 AI 所需的工具。

评论1

提出问题、分享结果,或帮助其他人。

  1. EllaSophiaGitHub(已编辑)

    Excellent breakdown of YOLOv5 vs. YOLOv8! It's clear how YOLOv8 introduces major improvements in model architecture, task flexibility, and training pipeline. This YOLOv8 comparison really helps in understanding how far the framework has evolved, especially for those upgrading from YOLOv5.