Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv5 与 YOLOX#

实时计算机视觉的发展历程中出现了无数里程碑，不同的架构不断突破速度和精度的界限。在该领域中，两个极具影响力的模型是 YOLOv5 和 YOLOX。虽然两者都以卓越的目标检测性能而闻名，但它们在架构设计上采取了根本不同的方法。

本指南对这两个模型进行了深入的技术分析，比较了它们的架构、性能指标、训练方法和理想的部署场景，旨在帮助开发人员和研究人员为他们的视觉 AI 项目选择合适的工具。

Link to this section模型概述与架构差异#

Link to this sectionUltralytics YOLOv5#

由 Ultralytics 推出的 YOLOv5 凭借其在性能、易用性和内存效率之间出色的平衡，迅速成为行业标准。YOLOv5 基于 PyTorch 框架原生构建，采用基于锚框（anchor-based）的架构。它依赖预定义的边界框形状来预测目标位置，这使得它在标准目标检测任务中非常有效。

YOLOv5 最大的优势之一是其完善的生态系统。它拥有丰富的文档、极其简单的 Python API，并与 Ultralytics Platform 原生集成。这使得开发人员可以无缝地从数据集标注过渡到训练，并导出为 ONNX 和 TensorRT 等格式。

了解更多关于 YOLOv5 的信息

生态系统优势

与基于 Transformer 的复杂替代方案相比，Ultralytics YOLO 模型在训练期间通常需要显著更少的 GPU 内存。这种较低的内存占用使得 YOLOv5 非常适合使用消费级硬件的研究人员。

Link to this sectionMegvii YOLOX#

由 Megvii 的研究人员开发，YOLOX 通过将无锚（anchor-free）设计引入 YOLO 系列而开辟了不同的道路。通过消除锚框，YOLOX 简化了检测头，并显著减少了在训练期间需要手动调整的启发式参数数量。

YOLOX 还结合了解耦头——将分类和回归任务分离到不同的网络分支中——并利用了 SimOTA 标签分配策略。这些创新填补了学术研究与工业应用之间的鸿沟，使得 YOLOX 在目标尺度高度变化的环境中特别有效。

了解更多关于 YOLOX 的信息

Link to this section性能与指标#

在评估计算机视觉模型时，平均精度均值 (mAP) 与推理速度之间的权衡至关重要。这两个模型都提供了一系列尺寸（从 Nano 到 Extra-Large）以适应不同的硬件限制。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

虽然 YOLOXx 实现了略高的峰值精度 (51.1 mAP)，但 YOLOv5 在 CPU 和 GPU 硬件上提供了更强大且经过充分测试的部署流程。YOLOv5 的 TensorRT 速度凸显了其针对边缘计算设备的深度优化，使其成为实时视频分析极其可靠的选择。

Link to this section训练方法与易用性#

这两种架构之间的开发人员体验差异显著。

Link to this sectionYOLOX 的方法#

训练 YOLOX 通常需要克隆原始仓库、管理特定的依赖项并执行复杂的命令行脚本。虽然它通过 MegEngine 支持混合精度训练和多节点设置等高级功能，但对于需要快速原型设计的开发人员来说，学习曲线可能很陡峭。

Link to this sectionUltralytics 的优势#

相比之下，Ultralytics 优先提供极其简化的用户体验。通过 ultralytics Python 包，开发人员只需极少的样板代码即可加载、训练和验证模型。Ultralytics 会自动处理复杂的数据增强、超参数进化和学习率调度。

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

此外，YOLOv5 的多功能性超出了标准目标检测的范畴，在同一个统一的 API 中提供了对 图像分类 和 实例分割 的稳健支持。

精简的部署

当训练完成后，将 YOLOv5 模型导出为 CoreML、TFLite 或 OpenVINO 就像运行 model.export(format="onnx") 一样简单。这消除了研究型仓库通常需要的第三方转换脚本的需求。

Link to this section实际应用场景#

在这些模型之间进行选择取决于你的部署环境和技术要求：

  • 零售与库存管理： 对于需要在 NVIDIA Jetson 等边缘设备上进行实时产品识别的应用，YOLOv5 非常适用。其最小的内存占用和快速的 TensorRT 推理速度使得在不丢帧的情况下进行多摄像头追踪成为可能。
  • 学术研究与定制架构： YOLOX 在研究界备受推崇。其解耦头和无锚特性使其成为工程师探索新颖标签分配策略或处理传统锚框无法泛化的数据集的绝佳基准。
  • 农业 AI： 对于通过无人机进行水果检测或杂草识别等精准农业任务，使用 Ultralytics Platform 训练和部署 YOLOv5 模型，让领域专家无需深厚的机器学习工程背景即可实现 AI 解决方案。

Link to this section应用场景与建议#

在 YOLOv5 和 YOLOX 之间进行选择取决于你的具体项目要求、部署限制和生态系统偏好。

Link to this section何时选择 YOLOv5#

YOLOv5 是以下情况的强力选择：

  • 久经考验的生产系统： 在那些重视 YOLOv5 长期稳定记录、详尽文档和庞大社区支持的现有部署中。
  • 资源受限的训练： 在 GPU 资源有限的环境中，YOLOv5 的高效训练流程和更低的内存需求具有优势。
  • 广泛的导出格式支持： 需要在多种格式（包括 ONNX、TensorRT、CoreML 和 TFLite）间进行部署的项目。

Link to this section何时选择 YOLOX#

推荐 YOLOX 的场景：

  • 无锚点检测研究： 学术研究使用 YOLOX 简洁的无锚点架构作为基准，用于实验新的检测头或损失函数。
  • 超轻量级边缘设备： 部署在微控制器或遗留移动硬件上，此时 YOLOX-Nano 变体极小的体积（0.91M 参数）至关重要。
  • SimOTA 标签分配研究： 探索基于最优传输的标签分配策略及其对训练收敛影响的研究项目。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：

  • 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this section视觉 AI 的未来：迈向 YOLO26#

虽然 YOLOv5 和 YOLOX 都已在计算机视觉历史上占据一席之地，但该领域正在迅速发展。对于今天开始新项目的开发人员，Ultralytics 强烈建议探索其最新的旗舰模型 YOLO26。

YOLO26 于 2026 年 1 月发布，代表了性能和可用性的巨大飞跃。它引入了突破性的 端到端无 NMS 设计，完全消除了非极大值抑制（Non-Maximum Suppression）后处理。这显著降低了延迟波动，并简化了低功耗设备上的部署逻辑。

此外，YOLO26 利用了创新的 MuSGD 优化器——这是一种受大语言模型训练创新启发、结合了 SGD 和 Muon 的混合优化器——以实现极度稳定和快速的收敛。通过 去除 DFL（移除分布焦点损失以简化导出并改善边缘/低功耗设备兼容性），YOLO26 实现了高达 43% 的 CPU 推理速度提升，巩固了其作为现代边缘计算、机器人和物联网应用终极模型的地位。此外，ProgLoss + STAL 提供了改进的损失函数，在小目标识别方面有显著改进，这对于物联网、机器人和航空影像至关重要。对早期版本感兴趣的用户也可以关注 YOLO11，尽管 YOLO26 是无可争议的最先进选择。

Link to this section结论#

YOLOv5 和 YOLOX 都提供了出色的目标检测能力。YOLOX 在 2021 年证明了无锚设计可以与传统方法竞争并超越它们，从而扩展了架构的可能性。然而，YOLOv5 凭借其无可比拟的易用性、广泛的生态系统以及训练期间更低的内存需求，依然是一股主导力量。

对于绝大多数商业应用而言，Ultralytics 生态系统提供了从原始数据集到部署生产模型的最快路径。无论是利用久经考验的 YOLOv5 还是升级到尖端的 YOLO26，开发人员都能从一个旨在使视觉 AI 变得平民化、高效且高性能的框架中受益。

贡献者
GLglenn-jocher13PDpderrenger1

评论