YOLOv5 对比 YOLOX：架构转变与性能指标

目标检测领域发展迅速，各种架构竞相争取推理速度和检测准确性之间的最佳平衡。由Ultralytics开发的YOLOv5和旷视科技（Megvii）推出的研究型模型YOLOX是这一发展历程中的两个重要里程碑。尽管这两种模型都源自“You Only Look Once”系列，但它们在架构理念上存在显著差异——特别是在基于锚框与无锚框检测机制方面。

本比较探讨了两种模型的技术规格、架构差异和性能指标，旨在帮助开发人员和研究人员为其计算机视觉项目选择合适的工具。

Ultralytics YOLOv5：工程标准

YOLOv5 于 2020 年发布，迅速成为实用目标检测的行业标准。与主要作为学术研究项目的先行者不同，YOLOv5 在设计时注重可用性、部署便捷性和实际性能。它引入了基于 PyTorch 的精简工作流程，使更广泛的受众能够训练和部署自定义模型。

• 作者： Glenn Jocher
• 组织：Ultralytics
• 日期: 2020-06-26
• GitHub:https://github.com/ultralytics/yolov5
• 文档：https://docs.ultralytics.com/models/yolov5/

YOLOv5 采用基于锚框的架构，利用预定义的锚框来预测物体位置。它集成了“AutoAnchor”功能，该功能在训练前演化锚框形状以适应自定义数据集，确保最佳收敛。该模型具有CSPNet主干网络和 PANet 颈部网络，针对快速特征提取和聚合进行了优化。其主要优势在于其卓越的推理速度和低内存占用，使其成为边缘计算和移动应用的理想选择。

了解更多关于 YOLOv5 的信息

YOLOX：无锚框竞争者

YOLOX于2021年由旷视发布，旨在通过采用无锚框设计来突破YOLO家族的界限。这种方法消除了对预定义锚框的需求，转而直接预测物体中心和尺寸。这一转变旨在简化设计过程，并提高对不同物体形状的泛化能力。

• 作者： Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, 和 Jian Sun
• 组织：旷视科技
• 日期: 2021-07-18
• Arxiv:https://arxiv.org/abs/2107.08430
• GitHub：https://github.com/Megvii-BaseDetection/YOLOX
• 文档：https://yolox.readthedocs.io/en/latest/

YOLOX引入了解耦头架构，将分类和回归任务分离到不同的分支中。这从理论上允许模型学习不同的特征表示，以识别对象是什么与在哪里。此外，它采用了一种先进的标签分配策略，即SimOTA（简化最优传输分配），用于在训练期间动态分配正样本。尽管这些创新有助于提高准确性，但它们通常伴随着计算复杂度的增加。

了解更多关于 YOLOX 的信息

性能分析：速度 vs. 准确性

比较 YOLOv5 和 YOLOX 时，权衡通常集中在推理延迟与绝对精度之间。YOLOv5 经过精心优化以提高速度，特别是在使用 TensorRT 和 ONNX Runtime 的硬件加速器上。如下表所示，YOLOv5 模型在同等模型尺寸下表现出显著更低的延迟（更高的速度）。

主要内容

• 推理速度：YOLOv5在速度方面具有决定性优势。例如，YOLOv5n实现了仅1.12毫秒的TensorRT延迟，使其非常适合在NVIDIA Jetson等边缘设备上进行高帧率视频处理。相比之下，最小的YOLOX模型缺乏可比的CPU基准数据，并且在相似的准确性级别下，其GPU延迟通常更高。
• 准确率 (mAP)： YOLOX 往往在 COCO 数据集上获得稍高的 mAP 分数，特别是其较大的变体（YOLOX-x 为 51.1，而 YOLOv5x 为 50.7）。这归因于其无锚框设计和解耦头，可以更好地处理目标变化。但是，这种边际收益通常以显着更高的计算开销（FLOPs）为代价。
• 效率： YOLOv5 模型在给定推理速度下通常需要更少的 FLOPs。YOLOv5 的耦合头设计对硬件更友好，可以在 CPU 和 GPU 上实现更快的执行。

架构深度解析

根本区别在于每个模型处理检测问题的方式。

YOLOv5 （基于锚点）： YOLOv5 使用一组预定义的锚点框。在训练过程中，模型会学习调整这些锚点框以适应对象。这种方法依赖于物体大小与网格单元大小之间的相关性。

• 优点：训练稳定，方法成熟，在标准数据集上表现出色。
• 缺点：对于特殊数据集上的锚框，需要进行超参数调优（尽管 YOLOv5 的 AutoAnchor 缓解了这一问题）。

YOLOX (无锚点): YOLOX将物体检测视为一个点回归问题。它预测从网格单元中心到物体边界的距离。

• 优点：减少设计参数数量（无需调整锚点），在不规则长宽比上具有更好的泛化潜力。
• 缺点：训练收敛速度可能较慢，且解耦头增加了层数，从而增加了推理延迟。

用户体验与生态系统

Ultralytics YOLOv5 最显著的特点之一是其强大的生态系统。尽管 YOLOX 提供了坚实的学术基础，但 YOLOv5 提供了一个为开发者设计的、可用于生产的框架。

易用性

YOLOv5 以其“一站式”的简便性而闻名。从数据标注到模型训练和部署，Ultralytics 生态系统简化了每个步骤。该模型可以通过几行代码加载，并支持自动导出为诸如TFLite、CoreML和ONNX等格式。

import torch

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

# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")

# Print results
results.print()

多功能性与维护

Ultralytics 模型不仅仅是关于检测。该框架支持图像分类和实例分割，为多项任务提供统一的 API。这种多功能性在像 YOLOX 这样主要专注于检测的研究型仓库中通常是缺乏的。此外，Ultralytics 的积极维护确保了与最新版本 PyTorch 和 CUDA 的兼容性，减少了随着时间推移出现的“代码腐烂”问题。

理想用例

• 选择Ultralytics YOLOv5如果：

  • 您需要在边缘设备（如Raspberry Pi、手机）上获得实时性能。
  • 您优先考虑部署简易性，并需要内置支持以导出到TensorRT、CoreML或TFLite。
  • 您偏好一个稳定、文档完善且拥有活跃社区支持的框架。
  • 您的应用程序涉及安全监控或自主导航，其中低延迟至关重要。

• 如果满足以下条件，请选择 YOLOX：

  • 您正在专门针对无锚框架构进行学术研究。
  • 您需要绝对最高的mAP用于竞赛或基准测试，无论推理速度如何。
  • 您拥有一个专门的数据集，其中基于锚点的方法已明确失效（例如，极端的长宽比），并且AutoAnchor未能解决此问题。

结论

YOLOv5 和 YOLOX 都在计算机视觉史上占有一席之地。YOLOX 展示了 YOLO 系列中无锚点 detect 器的可行性，为学术研究提供了强大的基线。然而，对于绝大多数实际应用而言，Ultralytics YOLOv5 凭借其无与伦比的速度、效率和开发者友好的生态系统，仍然是更优的选择。

对于今天开始新项目的人，我们强烈推荐探索YOLO11。它在 YOLOv5 的优势（易用性和速度）基础上，集成了现代架构的进步，在准确性和多功能性方面超越了 YOLOv5 和 YOLOX。

其他模型对比

探索 Ultralytics 模型如何与该领域的其他架构进行比较：

• YOLOv5 vs YOLOv8
• YOLO11 vs YOLOX
• RT-DETR vs YOLOv5
• YOLOv8 vs YOLOX
• YOLOv10 对比 YOLOX

评论