Ultralytics YOLO27： 加入候补名单。
Get Started

YOLOv7 与 YOLOv5#

构建现代计算机视觉流程时，选择合适的目标检测架构对于平衡准确率、推理速度和资源利用率至关重要。本次比较将探讨计算机视觉领域两个有影响力的模型：YOLOv7 和 Ultralytics YOLOv5。

本指南通过分析它们的架构差异、性能指标和理想部署场景，帮助开发者和研究人员根据具体需求选择最佳模型。

模型背景与起源#

了解这些模型的起源，有助于理解它们的设计理念和目标用例。

YOLOv5#

YOLOv5 于 2020 年 6 月 26 日由 Glenn Jocher 和 Ultralytics 团队发布，提供了原生 PyTorch 实现，在不牺牲性能的前提下优先保证易用性。凭借精简的生态系统和可靠的训练动态，它迅速成为行业标准。 你可以在 YOLOv5 GitHub 代码库中查看源代码，也可以通过 Ultralytics Platform 直接使用模型。

YOLOv7#

2022 年 7 月 6 日，来自台湾中央研究院信息科学研究所的 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 推出了 YOLOv7。YOLOv7 着重于架构创新，例如扩展高效层聚合网络（E-ELAN）和可训练的“免费赠品包”，以推动准确率达到新的最先进水平。 详情请参阅他们的官方 arXiv 论文和YOLOv7 GitHub 仓库。如需使用 Ultralytics 运行导出的 YOLOv7 模型，请参阅 Ultralytics YOLOv7 文档。

详细了解 YOLOv7

Ultralytics 包支持情况

YOLOv5 已完全集成到 Ultralytics Python 包中。YOLOv7 不受原生训练或 PyTorch 推理支持，但可以使用 Ultralytics 运行导出为 ONNX 或 TensorRT 的上游 YOLOv7 检查点，具体说明见 YOLOv7 文档。

架构创新#

Ultralytics YOLOv5 设计#

YOLOv5 使用经过修改的 CSPDarknet53 主干网络，并搭配路径聚合网络（PANet）颈部。这种设计针对快速特征提取和内存效率进行了高度优化。与旧架构或大型 Transformer 模型不同，YOLOv5 在训练时所需的 CUDA 内存明显更少，因此在标准消费级 GPU 上可以使用更大的批量大小。除了标准边界框外，YOLOv5 代码库还增加了实例分割（v7.0）和图像分类（v6.2）功能。

YOLOv7 设计#

YOLOv7 引入了多种结构重参数化技术和 E-ELAN 架构，使网络能够学习更多样的特征，同时保留原始梯度路径。它还在训练期间实现了用于中间监督的辅助头。尽管这些进展带来了较高的平均精度均值（mAP），但它们往往会引入复杂的张量结构，与 Ultralytics 模型原生支持的精简导出相比，这可能会让导出到 ONNX 或 TensorRT 等边缘格式变得稍具挑战性。

性能分析#

比较这些模型时，开发者必须在 mAPval、推理速度和计算复杂度（FLOPs）之间权衡。下表展示了两种架构在 COCO 数据集上的评估结果。

模型尺寸
(像素)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

要点总结#

  • 准确率上限： YOLOv7x 的总体准确率最高，达到 53.1 mAPval，因此在检测性能最大化是首要目标的场景中极具竞争力。
  • 速度与效率： Ultralytics YOLOv5n 效率很高，在 T4 TensorRT 上的推理延迟仅为 1.12 ms，参数量也只有 1.9M。因此，它非常适合资源高度受限的边缘部署。
  • 性能平衡： YOLOv5 系列提供多种模型尺寸。YOLOv5l 是一个不错的折中选择，准确率略低于 YOLOv7l，但部署流程非常成熟。

Ultralytics 生态系统的优势#

模型架构只占整体的一半；围绕模型构建的生态系统决定了模型在现实应用中的可行性，而 Ultralytics 模型正是基于这一点打造的。

易用性： Ultralytics 提供统一、直观的 Python API。借助全面的官方文档，你只需编写少量样板代码即可训练、验证和部署模型。 维护良好的生态系统： 持续开发带来定期更新、错误修复，并与 Weights & Biases 等现代跟踪工具集成。 训练效率： YOLOv5 采用经过优化的数据加载器和智能缓存来缩短训练时间。此外，可直接使用的预训练权重还能加快不同领域的迁移学习。

代码示例：简化训练流程#

使用 Ultralytics 包时，所有受支持架构的训练启动方式都相同。

from ultralytics import YOLO

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

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

# 将训练好的模型导出为 ONNX 格式，以便部署
success = model.export(format="onnx")

理想应用场景#

何时选择 YOLOv7#

  • 学术基准测试： 适合需要将新技术与记录详尽的 2022 年基线进行比较的研究人员。
  • 高端 GPU 云端处理： 适用于部署在强大的服务器硬件上，且在密集场景中获得最高 mAP 比简化导出流程更重要的情况。

何时选择 YOLOv5#

  • 生产部署：适用于需要高稳定性、直接明了的模型部署选项以及广泛跨平台兼容性的商业应用。
  • 边缘设备： 较小的变体（YOLOv5n 和 YOLOv5s）可在手机和嵌入式系统上良好运行。
  • 多任务需求： 如果你的项目需要使用统一框架，从简单检测扩展到实例分割或分类。
探索其他架构

想了解更新的版本？不妨探索 Ultralytics YOLOv8 或 Ultralytics YOLO11，进一步了解无锚框检测和多任务学习能力方面的进展。

新一代模型：Ultralytics YOLO26#

虽然 YOLOv5 和 YOLOv7 在视觉 AI 发展史上占据重要地位，但这一领域仍在不断演进。Ultralytics YOLO26 于 2026 年 1 月发布，是 Ultralytics 的最新模型，在准确率、CPU 速度和部署简便性方面均优于前代产品。

YOLO26 引入了几项重要特性：

  • 端到端无 NMS 设计：在 YOLOv10 为 YOLO 模型引入的无 NMS 训练基础上，YOLO26 提供可选的端到端检测头（nms=False），跳过非极大值抑制（NMS）后处理，从而降低延迟并简化部署逻辑。
  • MuSGD 优化器：该混合优化器受 Moonshot AI 的 Kimi K2 启发，将标准 SGD 与 Muon 结合，把 LLM 训练理念引入计算机视觉，从而实现更稳定的训练和更快的收敛。
  • 提升 CPU 速度：移除分布焦点损失（DFL）后，YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%，因此 YOLO26 非常适合边缘 AI 和低功耗 IoT 设备部署。
  • ProgLoss + STAL：渐进式损失和小目标感知标签分配可提升小目标识别能力，这对航空影像分析和精密机器人至关重要。
  • 针对特定任务的改进：采用语义分割损失生成掩码，使用残差对数似然估计（RLE）进行姿态估计，并通过专用角度损失解决 有向边界框（OBB） 边界问题。

结论#

YOLOv5 和 YOLOv7 都能为实时目标检测提供可靠方案。YOLOv7 在高算力硬件上具有出色的原始准确率，而 YOLOv5 则以开发者友好的特性、速度与效率之间的良好平衡以及成熟的生态系统脱颖而出。

不过，如果你希望通过速度、简洁性和准确率的最佳组合，让自己的工作流更具前瞻性，推荐迁移到 Ultralytics YOLO26。它保留了 Ultralytics 生态系统的易用性，同时加入了上述架构改进。

贡献者
GLglenn-jocher19PDpderrenger1

评论