YOLOv5 vs YOLOX：架构转变和性能指标

物体检测领域发展迅速，各种架构都在推理速度和检测精度之间寻求最佳平衡。这一历程中的两个重要里程碑是 YOLOv5和 MegviiUltralytics研究型模型YOLOX。虽然这两个模型都源于 "只看一次 "的理念，但它们在架构理念上有很大的不同，特别是在基于锚的检测机制和无锚检测机制方面。

本比较探讨了两种模型的技术规格、架构差异和性能指标，以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，并迅速成为实用物体检测的行业标准。YOLOv5 的前身主要是学术研究项目，与之不同的是，YOLOv5 的设计重点在于可用性、部署便利性和实际性能。它引入了PyTorch简化工作流程，使更多的用户可以训练和部署自定义模型。

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

YOLOv5 采用基于锚点的架构，利用预定义的锚点框来预测对象位置。它集成了 "AutoAnchor "功能，可在训练前改进锚点形状以适应自定义数据集，从而确保最佳收敛性。该模型以CSPNet骨干和 PANet 颈部为特色，针对快速特征提取和聚合进行了优化。其主要优势在于推理速度快、内存占用少，非常适合边缘计算和移动应用。

了解更多关于 YOLOv5 的信息

YOLOX：无锚竞争者

2021 年，Megvii 推出的 YOLOX 采用无锚设计，力求突破YOLO 系列的极限。这种方法无需预定义锚框，而是直接预测物体中心和尺寸。这一转变旨在简化设计流程，提高对不同物体形状的通用性。

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

YOLOX 引入了一种解耦头架构，将分类和回归任务分离成不同的分支。从理论上讲，这允许模型学习不同的特征表征，以识别物体是什么和在哪里。此外，它还采用了一种称为SimOTA（简化最优传输分配）的先进标签分配策略，在训练过程中动态分配正样本。虽然这些创新有助于提高准确率，但往往也会增加计算复杂度。

了解更多关于 YOLOX 的信息

性能分析：速度 vs. 准确性

在比较YOLOv5 和 YOLOX 时，权衡的焦点通常是推理延迟与绝对精度。YOLOv5 对速度进行了细致的优化，尤其是在硬件加速器上使用 TensorRT和ONNX Runtime 的硬件加速器上。正如下面的数据所示，YOLOv5 模型在同等规模的模型中表现出明显更低的延迟（更高的速度）。

主要内容

• 推理速度： YOLOv5 在速度方面具有决定性的优势。例如，YOLOv5n的TensorRT 延迟仅为1.12 毫秒，非常适合在NVIDIA Jetson 等边缘设备上进行高帧频视频处理。相比之下，最小的 YOLOX 型号在CPU 方面缺乏可比较的基准数据，而且其GPU 延迟在类似的精度层级中普遍较高。
• 精度（mAP）：YOLOX 的mAP值往往略高。 mAP分，尤其是较大的变体（YOLOX-x 为 51.1 分，YOLOv5x 为 50.7 分）。这归功于其无锚点设计和去耦合头部，可以更好地处理物体的变化。然而，这种边际收益往往是以大幅提高计算开销（FLOPs）为代价的。
• 效率：在给定推理速度的情况下，YOLOv5 模型所需的FLOP通常更少。YOLOv5 的耦合头设计对硬件更友好，可以在 CPU 和 GPU 上更快地执行。

架构深度解析

其根本区别在于每个模型如何处理检测问题。

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。

• 优点稳定的训练、成熟的方法、在标准数据集上的出色表现。
• 缺点：需要对特殊数据集上的锚点进行超参数调整（尽管YOLOv5 的自动锚点功能可以缓解这一问题）。

YOLOX（无锚）： YOLOX 将物体检测视为点回归问题。它预测网格单元中心到物体边界的距离。

• 优点减少了设计参数的数量（无需调整锚点），有可能更好地概括不规则的长宽比。
• 缺点：在训练过程中收敛速度可能较慢，而且解耦头增加的层数会增加推理延迟。

用户体验和生态系统

最显著的特征之一是 Ultralytics YOLOv5最显著的特点之一就是其强大的生态系统。YOLOX 提供了一个强大的学术基础，而YOLOv5 则为开发人员提供了一个产品就绪框架。

易用性

YOLOv5 以其 "从开始到完成 "的简便性而闻名。从数据注释到模型训练和部署，Ultralytics 生态系统简化了每一个步骤。只需几行代码即可加载模型，并支持自动导出为以下格式 TFLite, CoreML和 ONNX.

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()

多功能性和维护

Ultralytics 模型不仅仅是检测。该框架支持图像分类和实例分割，为多种任务提供了统一的应用程序接口。像 YOLOX 这样主要专注于检测的特定研究资源库往往缺乏这种多功能性。此外，Ultralytics 的积极维护确保了与最新版本PyTorch 和CUDA 的兼容性，从而减少了随着时间推移而产生的 "代码腐烂"。

理想用例

• 如果符合以下条件，请选择Ultralytics YOLOv5 ：

  • 您需要在边缘设备（Raspberry Pi、手机）上实现实时性能。
  • 您会优先考虑部署的便捷性，并需要内置的支持，以导出到TensorRT、CoreML 或TFLite。
  • 您更喜欢稳定、文档齐全、社区支持活跃的框架。
  • 您的应用涉及安全监控或自主导航，在这些应用中，低延迟至关重要。

• 如果您符合以下条件，请选择 YOLOX：

  • 您正在进行专门针对无锚架构的学术研究。
  • 您需要比赛或基准的绝对最大mAP ，而不考虑推理速度。
  • 您有一个特殊的数据集，基于锚点的方法明显失效（例如，极端长宽比），而 AutoAnchor 无法解决问题。

结论

YOLOv5 和 YOLOX 在计算机视觉史上都占有一席之地。YOLOX展示了YOLO 系列中无锚检测器的可行性，为学术研究提供了强有力的基础。然而，对于绝大多数实际应用而言，YOLOX5 并不适合、 Ultralytics YOLOv5凭借其无与伦比的速度、效率和对开发人员友好的生态系统，仍然是最佳选择。

对于今天开始新项目的人，我们强烈推荐探索 YOLO11.它以YOLOv5的优势YOLOv5和速度）为基础，同时集成了现代建筑的先进技术，在精确性和多功能性方面超越了YOLOv5 和 YOLOX。

其他模型对比

探索Ultralytics 模型与该领域其他架构的比较：

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

评论