YOLOv6-3.0 与 YOLOv5
实时目标检测的发展历经多种针对不同部署场景优化的架构。本文比较两款知名模型:面向工业应用的 YOLOv6-3.0,以及基础性强、用途广泛的 Ultralytics YOLOv5。了解两者的架构选择、性能指标和生态系统支持,有助于你为实际应用选择最合适的计算机视觉框架。
YOLOv6-3.0:工业吞吐量与硬件优化#
YOLOv6-3.0 由 美团视觉 AI 部门开发,主要面向高吞吐量工业环境。它着重提升专用 NVIDIA GPU 等硬件加速器上的帧率。
- 作者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu 和 Xiangxiang Chu
- 组织: 美团
- 日期: 2023-01-13
- arXiv:2301.05586
- GitHub: meituan/YOLOv6
- 文档: YOLOv6 文档
架构优势#
YOLOv6-3.0 引入了多项旨在提升速度的结构优化。该模型采用 EfficientRep 主干网络,专门针对 GPU 推理进行了硬件友好设计。因此,这种架构非常适合离线批处理任务。
在训练阶段,模型采用 锚框辅助训练(AAT)策略,将基于锚框训练的稳定性与无锚框推理的速度结合起来。此外,其颈部架构使用 双向拼接(BiC)模块来改善不同尺度之间的特征融合。该模型针对使用 TensorRT 的高端服务器 GPU 做了高度优化,但这种专门优化有时会导致仅使用 CPU 或低功耗边缘设备时延迟增加。
Ultralytics YOLOv5:普及视觉 AI 的先驱#
YOLOv5 于 2020 年由 Ultralytics 发布,凭借易用性、训练效率和部署选项而广受采用。它与现代深度学习工作流紧密集成,让更多人能够使用高性能目标检测。
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: ultralytics/yolov5
- 平台: Ultralytics Platform
生态系统与灵活性#
YOLOv5 的突出特点是易用性。该代码库原生基于 PyTorch 框架构建,提供统一的 Python API,简化了机器学习的整个生命周期。从数据集配置到最终部署,集成式生态系统让开发者减少调试环境的时间,把更多精力放在构建应用上。
YOLOv5 不仅限于目标检测。它还具有多功能性,原生支持实例分割和图像分类,并通过智能缓存、自动数据加载器和内置的分布式多 GPU 训练支持,提供出色的训练效率。
比较模型架构时,内存消耗是一个关键因素。与大型 Transformer 模型相比,Ultralytics YOLO 模型在训练和推理期间都只需较少的 VRAM,因此使用消费级硬件或 Google Colab 等云端笔记本的开发者也能轻松使用。
性能与架构对比#
下表列出了两种架构在标准 COCO 数据集上的性能指标。请注意,这些模型如何在不同环境下平衡平均精度均值与推理速度。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
分析#
在相近模型规模下,YOLOv6-3.0 的 mAP 更高,并针对 T4 GPU 上的 TensorRT 流水线进行了深度优化。不过,YOLOv5 拥有维护良好的生态系统,支持直接导出为多种格式,包括 ONNX、CoreML 和 LiteRT。这种性能平衡让 YOLOv5 不仅能在专用服务器上稳定运行,也适用于移动设备和 Raspberry Pi 等边缘计算环境。
代码示例:使用 Ultralytics 进行训练#
Ultralytics 生态系统的一大优势是简化了用户体验。训练、评估和导出模型只需几行 Python 代码。
from ultralytics import YOLO
# 加载预训练的 YOLOv5 small 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
# API 会自动处理数据集下载和超参数配置
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# 对图像进行推理
predictions = model("https://ultralytics.com/images/bus.jpg")
# 将模型导出为 ONNX 格式,以便灵活部署
model.export(format="onnx")理想应用与部署场景#
如何在这些架构之间做选择,通常取决于你的具体基础设施限制:
- 适合部署 YOLOv6-3.0 的场景: 自动化制造产线和高吞吐量服务器分析;这类场景可以使用专用 NVIDIA GPU,并要求尽可能降低延迟。其架构适用于能够充分利用 TensorRT 优化的环境。
- 何时部署 YOLOv5:如果你需要快速原型开发、跨平台部署,或希望使用统一流水线,YOLOv5 是很好的选择。它支持多种导出格式,非常适合在边缘设备上进行零售分析,以及使用农业无人机开展监测。
目标检测的未来:YOLO26 登场#
YOLOv5 和 YOLOv6 虽然是重要的里程碑,但计算机视觉领域发展迅速。对于启动新项目或追求最先进性能的开发者,Ultralytics 建议升级到 Ultralytics YOLO26(于 2026 年 1 月发布)。
YOLO26 面向边缘优先的视觉 AI 设计,并引入了可选的端到端无 NMS 设计。选择无 NMS 检测头并使用 nms=False 时,它会跳过非极大值抑制后处理,从而简化部署逻辑并降低延迟波动。
YOLO26 的主要创新包括:
- MuSGD 优化器:融合 SGD 和 Muon,将大型语言模型(LLM)训练的稳定性带入计算机视觉,实现更快、更可靠的收敛。
- CPU 推理速度最高提升 43%:YOLO26n 的 CPU 运行速度最高比 YOLO11n 快 43%,适合没有专用加速器的环境。
- 移除 DFL:移除分布焦点损失(Distribution Focal Loss)简化了导出流程,并增强了与低功耗边缘设备的兼容性。
- ProgLoss + STAL:渐进式损失和小目标感知标签分配策略提升了小目标识别能力,这对航拍图像和智能城市 IoT 传感器至关重要。
对于通用任务,YOLO11 仍然是 Ultralytics 系列中获得全面支持的选择。
结论#
YOLOv6-3.0 和 YOLOv5 都在推动实时检测发展方面发挥了重要作用。YOLOv6-3.0 为 GPU 加速吞吐量提供了高度专业化的架构,而 YOLOv5 则凭借丰富的文档、易用性和多任务能力,提供了出色的开发体验。
对于现代应用,集成式 Ultralytics 生态系统提供了持续维护的工作流。采用 YOLO26 等最新架构,你的部署流水线就能受益于速度、精度和简易性方面的最新改进。
评论
提出问题、分享结果,或帮助其他人。