YOLOv7 与 YOLOX：详细技术比较
选择最佳的物体检测模型是计算机视觉项目的关键决策。Ultralytics 提供了一整套先进的模型，了解它们的具体优势是实现最佳性能的关键。本页对 YOLOv7 和 YOLOX 这两种流行模型进行了技术比较，详细介绍了它们在架构上的细微差别、性能基准和理想的部署方案。
YOLOv7：高效、高精度检测
YOLOv7 于 2022 年 7 月由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，旨在实现高效、精确的物体检测。它以先前的YOLO 模型为基础，在结构上进行了改进，以提高速度和精度。
结构和主要功能
YOLOv7（论文：arXiv，GitHub：官方 Repo）引入了多项创新，包括优化参数和计算利用率的高效层聚合网络（E-ELAN）。它还采用了模型缩放技术和有计划的重新参数化，以进一步提高训练效率和检测准确性。这些功能使 YOLOv7 能够以相对紧凑的模型尺寸实现最先进的结果，使其适合实时应用和在资源有限的设备上部署。欲了解更多详细信息，请查阅YOLOv7 官方文档。
性能指标和用例
YOLOv7 在要求快速推理和高精确度的场景中表现出色。其令人印象深刻的 mAP 和速度指标使其成为实时视频分析、自动驾驶系统和高分辨率图像处理等应用的有力选择。在智慧城市部署中，YOLOv7 可用于交通管理或增强安防系统，以实现即时威胁检测。
YOLOX：无锚点的卓越物体检测技术
YOLOX 由 Megvii 的葛正、刘松涛、王峰、李泽明和孙健开发，于 2021 年 7 月发布（论文：arXiv，GitHub：官方 Repo），它采用无锚方法进行物体检测，简化了检测管道并提高了泛化能力。
结构和主要功能
YOLOX（文档：ReadTheDocs）不同于传统的YOLO 模型，它取消了预定义的锚点框。这种无锚设计降低了复杂性，并能带来更好的性能，尤其是对于形状各异的对象。它为独立的分类和回归任务集成了解耦头，并采用了先进的标签分配策略，如 SimOTA（简化最优传输分配）。这些架构选择有助于 YOLOX 的稳健性和易实施性。
性能指标和用例
YOLOX 在速度和精度之间取得了令人信服的平衡。在处理不同物体尺寸和长宽比的应用中，它的无锚定特性尤其具有优势。YOLOX 非常适合机器人、工业检测和零售分析等应用。例如，在制造业中，它可用于质量检测，有效检测缺陷，而不受预定义锚形状的限制。
| 模型 | 尺寸 （像素） |
mAPval 50-95 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (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 |
对其他YOLO 型号感兴趣的用户也可以考虑浏览一下：
- YOLOv8:Ultralytics YOLO 系列的最新产品，具有最先进的性能和多功能性。
- YOLOv5:以易用和高效著称，多种型号尺寸可满足不同需求。
- YOLOv6：高性能单级对象检测框架。
- YOLO11:最近推出的一款机型，重点是提高效率和性能。
