YOLOv5 与YOLOv8：实时物体检测的演变

YOLO （You Only Look Once）系列模型对物体检测技术的发展产生了重大影响。由 UltralyticsYOLOv5 和YOLOv8 都是计算机视觉历史上的关键时刻。YOLOv5 凭借其简洁性和速度成为世界上最受喜爱、应用最广泛的检测架构，而YOLOv8 则引入了一个具有尖端架构创新的统一框架，以支持更广泛的视觉任务。

在这两个强大的处理器之间做出选择，取决于您的具体项目限制、硬件可用性以及对多任务功能的需求。本指南提供深入的技术分析，帮助计算机视觉工程师和研究人员做出正确的决定。

YOLOv5：久经考验的行业标准

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

YOLOv5 于 2020 年中期发布，彻底改变了物体检测的可访问性。它是第一个YOLO PyTorch中实现的第一个 YOLO 模型，摆脱了其前身所使用的 Darknet 框架。这一转变使得开发人员可以非常容易地对自定义数据集进行训练、部署和实验。

YOLOv5 采用CSPDarknet 骨干网，是一种基于锚点的探测器。这意味着它依靠预定义的锚点框来预测物体位置。虽然这种方法需要对一些超参数进行调整，才能在独特的数据集上获得最佳性能，但它仍然非常有效。它的架构强调推理速度和低内存容量，因此最适合部署在资源有限的硬件上，如Raspberry Pi和早期的NVIDIA Jetson。

YOLOv5的主要优势

传统稳定性：多年来在生产环境中的积极使用使其成为最稳定、最无漏洞的视觉模型之一。
边缘优化：特别是在较旧的 CPU 和特定的移动处理器上，YOLOv5 的简单架构有时可以提供更快的推理延迟。
庞大的生态系统：由教程、第三方集成和论坛讨论组成的庞大社区为故障排除和开发提供支持。

了解更多关于 YOLOv5 的信息

YOLOv8：多重任务的动力源泉

作者：Glenn Jocher、Ayush Chaurasia 和 Jing QiuGlenn Jocher、Ayush Chaurasia 和 Jing Qiu
组织机构：Ultralytics
日期：2023-01-10
GitHubultralytics
文档yolov8

YOLOv8 不仅是一个物体检测器，还是一个用于图像分割、姿势估计、分类和定向边界框（旋转框检测）检测的综合框架，它的设计代表了一个重大的飞跃。

从架构上讲，YOLOv8 采用了无锚点设计，头部解耦，将对象性、分类和回归任务分离开来。它还引入了C2f 模块（带 2 个卷积的交叉阶段部分瓶颈），取代了YOLOv5 中的 C3 模块。C2f 模块改进了梯度流和特征融合，使模型能够学习更复杂的模式，而不会大量增加计算成本。

YOLOv8的主要优势

最先进的准确性：与YOLOv5 相比，在COCO 和自定义数据集上持续获得更高的mAP （平均精度）分数。
无锚检测：无需计算或调整锚点框，从而简化了训练管道，并提高了对异常长宽比物体的泛化能力。
多功能性：使用相同的应用程序接口即可在检测、分割和姿势估计之间切换，大大缩短了复杂项目的开发时间。

了解更多关于 YOLOv8 的信息

技术深度挖掘：架构与性能

从YOLOv5 到YOLOv8 ，"引擎盖下 "的几个变化推动了性能的提升。

建筑转变

最显著的区别在于检测头。YOLOv5 采用耦合头，分类和定位共享特征。YOLOv8 采用的是解耦头，允许网络独立调整权重，以识别物体是什么和在哪里。这通常会带来更好的收敛性和更高的准确性。

此外，从C3 到 C2f的骨干网演变使YOLOv8 能够捕捉到更丰富的梯度信息。虽然这使得架构略显复杂，但Ultralytics 对实施进行了优化，以确保保持较高的训练效率。

性能指标

在对标准COCO 数据集上的模型进行比较时，YOLOv8 显示出更高的准确度与计算比率。

模型	尺寸 ^(像素)	mAP^val 50-95	速度 ^{CPU ONNX (毫秒)}	速度 ^{T4 TensorRT10 (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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

如图所示、 YOLOv8n(Nano) 的mAP 达到 37.3，与更大的YOLOv5s(Small) 的 37.4 几乎相当，但FLOPs 明显更少。这种效率对于现代边缘人工智能应用至关重要。

训练方法与生态系统

Ultralytics 模型的一个显著特点是注重开发人员的体验。这两种模式都受益于全面的Ultralytics 生态系统，但访问方式略有不同。

易用性和应用程序接口

YOLOv8 引入了 ultralytics Python 软件包，一个统一的CLI 和Python 界面。该软件包可有效管理依赖关系，并为培训, 验证和预报.有趣的是，现代 ultralytics 软件包还可以加载和运行YOLOv5 模型，弥补了两代产品之间的差距。

from ultralytics import YOLO

# Load a YOLOv8 model (Official)
model_v8 = YOLO("yolov8n.pt")

# Load a YOLOv5 model (Legacy support via Ultralytics package)
model_v5 = YOLO("yolov5nu.pt")

# Training is identical for both
results = model_v8.train(data="coco8.yaml", epochs=100)

内存和效率

与transformerRT-DETR相比，YOLOv5 和YOLOv8 都非常节省内存。转换器通常需要大量的CUDA 内存和较长的训练时间才能收敛。相比之下，Ultralytics YOLO 模型经过优化，可以在消费级 GPU 甚至 CPU 上运行，从而实现了高性能人工智能的平民化。

综合生态系统

这两种模型与Ultralytics HUB 完全兼容，可实现无缝数据集管理、模型可视化和一键部署到现实世界的设备上。

理想用例

选择合适的模型通常取决于部署模型的具体环境。

何时选择YOLOv5

YOLOv5 仍然是您的最佳选择：

遗留系统：更新已围绕YOLOv5 架构构建基础设施的现有管道。
特定边缘硬件：一些较旧的 NPU（神经处理单元）驱动程序专门针对YOLOv5 架构提供了高度优化的支持。
超低延迟：在CPU 推理每毫秒都很重要的情况下，YOLOv5n 更简单的耦合头有时会比 v8n 提供更快的速度优势。

何时选择YOLOv8

建议选择YOLOv8 ：

新进展：今天开始一个项目，YOLOv8 （或更新的 YOLO11) 提供了更好的面向未来的路径。
复杂任务：需要实例分割（如医学细胞分析）或关键点检测（如体育分析）的应用。
高精度要求：在自动驾驶汽车安全系统或安全监控等场景中，漏检至关重要。

结论

YOLOv5 和YOLOv8 都是Ultralytics 致力于开源创新的证明。 YOLOv5仍然是这一领域的传奇--可靠、快速且得到广泛支持。但是 YOLOv8在此基础上进行了架构改进，提供了更高的准确性和更大的通用性，同时又不牺牲开发人员所期望的易用性。

对于大多数新项目，我们建议利用YOLOv8 中的先进功能或升级到最新的 YOLO11，它进一步完善了这些概念，实现了速度与精度的终极平衡。

探索其他模型

如果您有兴趣探索绝对最新的检测技术，不妨考虑了解一下：

YOLO11：最新进化版，与YOLOv8 相比，处理速度更快，特征提取能力更强。
RT-DETR： transformer模型，可为实时应用提供高精度，是GPU 内存限制较少的理想选择。