YOLO GITHUB:https://github.com/ultralytics
在物体检测领域,YOLO(You Only Look Once)是一种突破性的算法。YOLO算法自问世以来,已经演化出多个版本,其中最流行的两个版本是YOLOv5和YOLOv8。这两个版本都具有独特的功能和优势,使它们各具特色。
在这篇文章中,我们将比较 YOLOv5 和 YOLOv8,看看哪个在准确率和 FPS 方面更好。
相似之处(YOLOv5 与 YOLOv8)
-
主干网: YOLOv5和YOLOv8都使用CSPDarknet53主干架构。
-
锚框:两种算法都使用锚框来提高对象检测的准确性。
-
非极大值抑制 (NMS):两种算法都使用 NMS 来抑制同一对象的多次检测。
-
后处理:两种算法都使用后处理技术来提高目标检测的准确性。
-
优化器: YOLOv5和YOLOv8都使用Adam优化器来训练模型。
-
激活函数:两种算法都在其架构中使用 Mish 激活函数。
-
准确率比较(YOLOv5 vs YOLOv8)
YOLOv5 以其目标检测的准确性而闻名。它在准确性方面实现了最先进的性能,在 COCO 数据集上的平均精度为 50.5%。YOLOv5 在检测小物体方面也表现出色,这对 YOLO 之前的版本来说是一个重大挑战。YOLOv5 还在实际应用中展示了卓越的性能,例如检测视频流中的行人。
YOLOv8 在准确率方面优于 YOLOv5。YOLOv8s模型在COCO数据集上实现了51.4%的平均精度,而YOLOv8m模型在同一数据集上实现了54.2%的平均精度。YOLOv8 在检测小物体方面也表现出了卓越的性能,并解决了 YOLOv5 的一些局限性。
速度 (FPS) 比较(YOLOv5 与 YOLOv8)
YOLOv5 针对实时应用进行了高度优化,其 FPS(每秒帧数)非常出色。“n”版本的 FPS 是其他版本中最高的,因此更适合实时应用程序。
YOLOv8 在 CPU 上的 FPS 比 YOLOv5 低,但对于实时应用程序来说仍然具有不错的 FPS,并且在某些 GPU 上比 YOLOv5 更高的 FPS。YOLOv8 的“n”版本适用于嵌入式设备,即 Jetson Nano。
结论
如果需要对小物体进行精确的物体检测,YOLOv5和YOLOv8都是有效的选择。但是,如果需要在不支持 GPU 的设备上部署解决方案,YOLOv5 可能是更合适的选择。另一方面,如果优先考虑速度并获得 GPU 支持,YOLOv8 可能是一个更有价值的解决方案。
总体而言,截至撰写本文时,与之前的 YOLO 变体相比,YOLOv5 和 YOLOv8 都表现出了令人印象深刻的速度和准确性。
参考来源:https://baijiahao.baidu.com/s?id=1774389496657535342&wfr=spider&for=pc