开始使用

YOLOv7 与 YOLOX

计算机视觉的发展伴随着目标检测领域的快速进步。YOLOv7 和 YOLOX 是其中两个重要里程碑。两种模型都提升了速度和准确率,但采用了不同的架构路线。本指南从技术角度比较这两种模型,帮助你为计算机视觉项目选择合适的架构。

模型简介#

了解这些模型的起源和主要设计选择,对于在现代机器学习运维中有效部署它们十分重要。

YOLOv7 详情#

YOLOv7 由负责维护 CSPNet 和 Scaled-YOLOv4 架构的研究人员开发,引入了“可训练的免费增益组合”方法,在不增加推理成本的情况下最大限度地提高准确率。

详细了解 YOLOv7

YOLOX 详情#

YOLOX 选择了不同路线,重新采用无锚框检测,在保持出色性能的同时简化了检测头架构。

详细了解 YOLOX

架构差异与创新#

YOLOv7 和 YOLOX 的核心区别在于特征提取、边界框预测和标签分配方式。

YOLOX:无锚框先行者#

YOLOX 为 YOLO 系列带来了无锚框设计。传统的基于锚框的检测器需要通过启发式方法调整锚框聚类,这可能高度依赖具体数据集。通过移除锚框,YOLOX 显著减少了设计参数的数量。YOLOX 还采用解耦检测头,将分类和定位任务分配给不同的网络分支。这减少了目标分类与空间坐标回归之间的冲突。YOLOX 还集成了 SimOTA 等先进的标签分配策略,可在训练期间动态分配正样本。

YOLOv7:扩展高效层聚合#

一年后发布的 YOLOv7 保留了基于锚框的设计,但引入了扩展高效层聚合网络(E-ELAN)。E-ELAN 优化梯度路径长度,使网络能够在不同深度下有效学习。该架构高度依赖重参数化,在推理期间合并卷积层以提升速度,同时不牺牲准确率。YOLOv7 的“免费午餐”策略包括预先规划的重参数化卷积,以及从粗到细、由主干引导的标签分配,从而提高模型的平均精度均值(mAP)。

基于锚框与无锚框

YOLOX 通过采用无锚框设置简化了部署流水线,而现代 Ultralytics 架构在此基础上进一步改进,在新一代模型中无需再使用预定义边界框。

性能对比#

在生产环境中评估这些模型时,平衡准确率与计算效率至关重要。下表展示了两者之间的权衡,并以粗体标出表现最佳的指标。

模型尺寸
(像素)
mAPval50-95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
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

如上所示,YOLOv7x 在本次比较中取得了最高 mAP,是复杂数据集上准确率最高的选择。相比之下,YOLOX-Nano 面向资源极其受限的设备。这两类模型的训练内存占用都可能高于较新的 Ultralytics 架构。

训练方法与生态系统#

研究人员和开发者需要重点考虑实现难易度。过去,较早版本的 YOLO 需要自定义训练脚本和复杂的依赖项管理。

Ultralytics 生态系统的优势#

Ultralytics Python 包原生不支持 YOLOv7 和 YOLOX;对于新项目,最有效的方案是在维护完善的 Ultralytics 生态系统中使用 Ultralytics YOLO 模型。Ultralytics 提供统一的 Python API,可简化训练、验证和部署。

  • 易用性:只需几行代码即可启动训练,降低了使用原生 PyTorch 实现的学习门槛。
  • 训练效率:Ultralytics YOLO 模型在训练期间通常比 RT-DETR 等 Transformer 模型占用更少内存,因此可以在消费级硬件上使用更大的批次。
  • 多功能性:除了边界框,同一 API 还支持实例分割和姿态估计等任务。

下面的可运行示例展示了如何使用 Ultralytics API 训练并导出模型:

from ultralytics import YOLO

# 加载预训练模型
model = YOLO("yolov8n.pt")  # 可直接使用的权重,助你快速进行迁移学习

# 在你的自定义数据上高效训练模型
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    device="0",  # 使用第一个 CUDA GPU
)

# 导出为 ONNX 或 TensorRT
model.export(format="onnx")

借助标准化的导出工作流,开发者可以将权重转换为 TensorRT 或 ONNX 等格式,以便在目标硬件上快速推理。

理想用例和实际应用#

选择 YOLOX 还是 YOLOv7,主要取决于部署目标:

  • YOLOX 适用于边缘 AI: YOLOX-Nano 和 YOLOX-Tiny 变体非常适合部署在低功耗设备上。如果你正在使用 Raspberry Pi 构建智能安防摄像头,YOLOX 简单的无锚框卷积结构很容易适配边缘加速器。
  • 适用于高保真分析的 YOLOv7:如果你要处理高分辨率卫星影像,或执行复杂的制造业质量控制,YOLOv7x 在高端 NVIDIA GPU 上的高 mAP 有助于发现细微异常。

未来:升级到 Ultralytics YOLO26#

YOLOv7 和 YOLOX 发布时都颇具影响力,但此后该领域取得了显著进展。对于新的部署项目,Ultralytics 推荐于 2026 年 1 月发布的 Ultralytics YOLO26,它将这些架构经验融入可用于生产环境的模型中。

主要改进包括:

  • 端到端无 NMS 设计:YOLO26 的可选一对一检测头(nms=False)会在后处理中省去非极大值抑制(NMS)。YOLOv10 将这种方法引入 YOLO 模型,它能保持较低且稳定的延迟,并简化不支持高效 NMS 的设备上的部署。
  • 移除 DFL:移除分布焦点损失可提升与低功耗边缘设备的兼容性,并简化 ONNX 导出。
  • MuSGD 优化器:YOLO26 受 LLM 训练启发,采用 SGD 与 Muon 的混合优化器 MuSGD,以实现更快的收敛和更稳定的训练。
  • CPU 推理速度最高提升 43%:在 CPU 上进行 ONNX 推理时,YOLO26n 的速度比 YOLO11n 最高快 43%,因此无需专用 GPU 基础设施,在标准 CPU 上也能良好运行。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配可提升小目标检测能力,这对于 VisDrone 数据集等航空影像数据以及 IoT 摄像头网络至关重要。

对于涵盖目标检测、分割和其他任务的团队,Ultralytics Platform提供统一平台,可用于数据标注、模型训练和部署。

结论#

YOLOX 和 YOLOv7 都引入了影响开源视觉 AI 发展的技术。YOLOX 证明了无锚框解耦检测头的可行性,而 YOLOv7 展示了梯度路径设计和重参数化的价值。如今,Ultralytics 生态系统让你可以使用现代 Ultralytics YOLO 模型,基于这些理念继续构建;YOLO26 是新计算机视觉应用的推荐选择。

评论

提出问题、分享结果,或帮助其他人。