开始使用

YOLOv5 与 YOLOX

实时计算机视觉的发展经历了许多重要里程碑,不同架构持续提升速度和精度。该领域两款影响深远的模型是 YOLOv5 和 YOLOX。虽然两者都以出色的目标检测性能闻名,但它们采用了截然不同的架构方案。

本指南将对这两款模型进行技术分析,比较其架构、性能指标、训练方法和理想部署场景,帮助开发者和研究人员为视觉 AI 项目选择合适的工具。

模型概览与架构差异#

Ultralytics YOLOv5#

由 Ultralytics 推出的 YOLOv5 凭借出色的性能平衡、易用性和内存效率,迅速成为行业标准。YOLOv5 原生基于 PyTorch 框架构建,采用基于锚框的架构。它依靠预定义的边界框形状来预测目标位置,因此非常适合标准目标检测任务。

YOLOv5 最大的优势之一是其维护良好的生态系统。它提供详尽的文档、简单的 Python API,并可原生集成到 Ultralytics Platform。开发者因此可以直接从数据集标注进入训练,并导出为 ONNX 和 TensorRT 等格式。

生态系统优势

与复杂的基于 Transformer 的替代方案相比,Ultralytics YOLO 模型在训练期间通常需要少得多的 GPU 内存。较低的内存占用让使用消费级硬件的研究人员也能轻松使用 YOLOv5。

旷视 YOLOX#

YOLOX 由旷视的研究人员开发,它另辟蹊径,为 YOLO 系列引入了无锚框设计。通过移除锚框,YOLOX 简化了检测头,并大幅减少了训练期间需要手动调整的启发式参数数量。

YOLOX 还采用了解耦检测头——将分类和回归任务分配给不同的网络分支——并使用 SimOTA 标签分配策略。这些创新弥合了学术研究与工业应用之间的差距,使 YOLOX 在目标尺度差异很大的环境中尤其有效。

详细了解 YOLOX

性能与指标#

评估计算机视觉模型时,平均精度 (mAP) 与推理速度之间的权衡至关重要。两种模型都提供多种尺寸(从 Nano 到 Extra-Large),以适应不同的硬件限制。

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
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

YOLOXx 的峰值精度略高(51.1 mAP),但 YOLOv5 提供了更成熟、经过广泛测试的 CPU 和 GPU 部署流程。在相同尺寸下,YOLOv5 的 T4 TensorRT 延迟也低于 YOLOX,因此是实时视频分析的可靠选择。

训练方法与易用性#

这两种架构带来的开发体验差异显著。

YOLOX 的开发方式#

训练 YOLOX 通常需要克隆原始代码库、管理特定依赖项并运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部署等高级功能,但对于需要快速原型开发的开发者来说,学习曲线可能较为陡峭。

Ultralytics 优势#

相比之下,Ultralytics 注重简化用户体验。借助 ultralytics Python 软件包,开发者只需编写极少的样板代码即可加载、训练和验证模型。Ultralytics 会自动处理数据增强和学习率调度,并提供内置的超参数调优功能。

from ultralytics import YOLO

# 加载预训练的 YOLOv5 小型模型
model = YOLO("yolov5su.pt")  # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重

# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 验证模型性能
metrics = model.val()

YOLOv5 的用途不止于标准目标检测:原始 YOLOv5 代码仓库支持实例分割和图像分类,而 ultralytics 软件包则通过 YOLO26 等较新模型支持这些任务。

简化部署

训练完成后,只需调用一次 model.export(format="onnx") 等命令,即可将 YOLOv5 模型导出为 ONNX、CoreML、LiteRT 或 OpenVINO 格式。这样便无需使用研究型代码库通常需要的第三方转换脚本。

实际应用#

选择哪种模型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 等边缘设备上实时识别商品的应用,YOLOv5 非常适用。它占用内存少,TensorRT 推理速度快,可支持以实时帧率运行的多摄像头处理流程。
  • 学术研究与自定义架构: YOLOX 在研究界备受推崇。其解耦头和无锚框特性,使其成为工程师尝试新型标签分配策略,或处理传统锚框难以泛化的数据集时的绝佳基线。
  • 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,借助 Ultralytics Platform 训练和部署 YOLOv5 模型十分简单,领域专家无需深厚的机器学习工程背景也能实施 AI 解决方案。

用例与建议#

选择 YOLOv5 还是 YOLOX,取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv5#

YOLOv5 适合以下场景:

  • 经过验证的生产系统: 对于重视 YOLOv5 长期稳定记录、详尽文档和庞大社区的现有部署场景。
  • 资源受限的训练: GPU 资源有限的环境中,YOLOv5 高效的训练流水线和较低的内存需求具有优势。
  • 广泛支持导出格式: 需要跨多种格式部署的项目,包括 ONNX、TensorRT、CoreML和 LiteRT。

何时选择 YOLOX#

以下情况推荐使用 YOLOX:

  • 无锚框检测研究:学术研究使用 YOLOX 简洁的无锚框架构作为基线,以试验新的检测头或损失函数。
  • 超轻量级边缘设备:部署到微控制器或旧款移动硬件时,YOLOX-Nano 变体极小的体积(0.91M 个参数)至关重要。
  • SimOTA 标签分配研究:研究项目用于探索基于最优传输的标签分配策略及其对训练收敛的影响。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境:没有专用 GPU 加速的设备。在这类设备上,YOLO26n 的 CPU 运行速度最高可比 YOLO11n 快 43%。
  • 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

视觉 AI 的未来:YOLO26 登场#

YOLOv5 和 YOLOX 都已在计算机视觉发展史上占据一席之地,但该领域正在快速进步。对于今天启动新项目的开发者,Ultralytics 推荐使用其最新模型 YOLO26。

YOLO26 于 2026 年 1 月发布,在性能和易用性方面都迈出了重要一步。它引入了可选的端到端无 NMS 设计(通过 nms=False 选择),可移除非极大值抑制后处理。这能减少延迟波动,并简化低功耗设备上的部署逻辑。

此外,YOLO26 使用受 LLM 训练创新启发、结合 SGD 和 Muon 的混合MuSGD 优化器,实现稳定而快速的收敛。通过移除 DFL(移除 Distribution Focal Loss,以简化导出并提升对边缘/低功耗设备的兼容性),YOLO26n 的 CPU 推理速度最高可比 YOLO11n 快 43%,使 YOLO26 成为现代边缘计算、机器人和物联网应用的理想选择。此外,ProgLoss + STAL(渐进式损失与小目标感知标签分配)显著提升了小目标识别能力,这对物联网、机器人和航拍图像至关重要。对早期版本感兴趣的用户也可以了解 YOLO11,但新项目仍推荐使用 YOLO26。

结论#

YOLOv5 和 YOLOX 都具备出色的目标检测能力。YOLOX 在 2021 年证明,无锚框设计能够达到甚至超越基于锚框的方法。不过,YOLOv5 凭借易用性、完善的生态系统和较低的训练内存需求,至今仍被广泛使用。

对于绝大多数商业应用,Ultralytics 生态系统能够提供从原始数据集到已部署生产模型的最快路径。无论是使用经过验证的 YOLOv5,还是升级到 YOLO26,开发者都能受益于这一让视觉 AI 更易用、更高效的框架。

评论

提出问题、分享结果,或帮助其他人。