开始使用

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。

详细了解 YOLOv6

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。

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。

Ultralytics 模型的内存效率

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)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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

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。