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。
- 作者: Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
- 机构: 台湾中央研究院资讯科学研究所
- 日期: 2022-07-06
- arXiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- 文档: Ultralytics YOLOv7 文档
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。
- 作者:郑革、刘松涛、王峰、李泽明和孙剑
- 机构:旷视科技
- 日期:2021-07-18
- arXiv: https://arxiv.org/abs/2107.08430
- GitHub: https://github.com/Megvii-BaseDetection/YOLOX
- 文档:YOLOX 官方文档
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)。
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) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
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。