yolov5,7,8,9 官方模型对比

1. 官方指标

• yolov5,v8对比
  • mAP同等级别时，v8的模型和计算量大小 比同等级的v5会更 小
• 在自定义的数据集上，经过实验，其实，yolov5, yolov7的精度表现是最好的，yolov8的识别差强人意。
• yolov5, v7 的精度差不多，但v7的模型和计算量都相对较少，推荐yolov7
• yolov9,也对比了一下，并没有yolov5,7的泛化能力那么强,还是推荐yolov7

2. 实测实验结果

• 私人数据集

3. v5,7,8,9模型在私人数据集上的区别

其实每一个模型都有自己的长处，有的模型非常自信（比如v5,v7） 有的模型不那么自信（比如v8）。举个例子来说（博主自己的私人数据集嗷），在同一个训练集下，v8预测出来的难样本通常置信度在0.2~0.5这样子，而v7 要么很高置信度（通常>=0.7）的识别到这个难样本，要么就没有识别到这个难样本。所以取舍啊，完全看项目。

其次就是网络的计算量，前后处理的计算量，推理时间，训练时间，都需要全面的结合项目来做考量。
所以，在做项目中，针对你的问题，来选择对应的模型。每个模型的优缺点不一样，要对每个模型的风格有自己的认识哦~

4. 关于模型的选择

博主自己做过很多对比试验，每个模型的特点其实都不太一样。我们从基础的讲起。

目标检测分为：anchor base 和 anchor free 两种方式
我们先说anchor free：他的主要优点就是 不需要 人工设置先验框，前后处理的计算量都少一些。anchor base的则相反，由于需要人工 设置先验框，所以前后处理的计算量要多一些。
但anchor base由于有了先验框它可以在200epoch就收敛的很好了，而anchor free 则需要300epoch （例如yolov8，官方epoch的推荐数值是500轮）。

还有一些灵活度的问题，anchor base的方法灵活度会高一些，他后处理中可调的参数有三个阈值分别是，这个框内是物体还是背景, category类别置信度, nms的阈值。所以对于你的任务来说，你想要召回率，准确率的平衡，可调的参数就有三个了。而 anchor free 由于本身的算法逻辑， 他是没有判断这个框内是物体还是背景这个概率的，所以可调的参数就少了一个。