YOLOv8（n/s/m/l/x）&YOLOv7(yolov7-tiny/yolov7/yolov7x)&YOLOv5（n/s/m/l/x）不同模型参数/性能对比（含训练及推理速度）

编辑：rootadmin

YOLOv8（n/s/m/l/x）&YOLOv7(yolov7-tiny/yolov7/yolov7x)&YOLOv5（n/s/m/l/x）不同模型参数/性能对比（含训练及推理速度） YOLOv8&YOLOv7&YOLOv5不同模型参数/性能对比0.引言1.软硬件配置（1）硬件配置（2）软件配置2.数据集配置3.不同模型性能对比表4.结论5.后记0.引言

推荐整理分享YOLOv8（n/s/m/l/x）&YOLOv7(yolov7-tiny/yolov7/yolov7x)&YOLOv5（n/s/m/l/x）不同模型参数/性能对比（含训练及推理速度），希望有所帮助，仅作参考，欢迎阅读内容。

文章相关热门搜索词:,内容如对您有帮助，希望把文章链接给更多的朋友！

由于YOLOv5/YOLOv7使用的设备不尽相同，考虑控制变量法，特此写一篇博客记录一下各模型的横向对比（由于时间有限，因此只针对640尺寸的模型进行训练测试）

1.软硬件配置（1）硬件配置CPU：英特尔E5-2640 v3@2.6GHzGPU：Tesla P40 24G*4内存：64G（2）软件配置Ubuntu18.04cuda11.3pytorch:1.11.0torchvision:0.12.02.数据集配置

2020年kaggle小麦检测数据集，包含3187张图片，各类标签的数量分别为：

arvalis_1: 42962arvalis_2: 4022arvalis_3: 15715rres_1: 19077ethz_1: 48606usask_1: 5605inrae_1: 3540

3.不同模型性能对比表

每种算法均按默认配置，使用小麦检测数据集训练100轮，batch_size按显存最大来设置，img_size均为640*640，使用train.py进行4卡训练，使用detect.py进行单卡预测。加粗的表示最优结果。

算法batch_sizeparam/MillionFLOPs/Gweight_size/MBP/%R/%mAP50/%mAP50-95/%train_time/hSpeed/msyolov5n2561.74.33.991.988.193.953.20.68211.0yolov5s2567.016.014.592.790.394.855.60.70513.0yolov5m12820.948.342.393.189.494.255.01.009816.8yolov5l6446.2108.392.993.188.894.355.01.75125.6yolov5x3286.2204.8173.292.689.494.555.43.06840.4–––––––––––yolov7-tiny5126.0313.212.364.461.268.829.11.13011.5yolov712837.2105.274.992.091.994.954.91.91230.4yolov7x12870.9189.0142.293.491.094.654.92.66842.3–––––––––––yolov8n2563.18.26.391.988.494.155.61.64114.7yolov8s12811.128.722.591.189.094.256.11.86213.9yolov8m12825.979.152.191.690.094.656.42.22820.3yolov8l6443.6165.487.792.189.194.656.62.97430.7yolov8x6468.2258.2136.891.890.395.056.83.65840.24.结论从同一模型来看，模型的准确率和召回率并没有随着模型的加深而提高，相反，有着一定的降低，这主要是由于数据集量相比COCO数据集小得多，模型中有着大量的冗余参数，导致模型的各项指标下降；因此，对于量较小的数据集，选用参数量较少的模型，不光可以提高准确率，降低训练时间，还能在预测速度上有着比较大的优势；对比不同模型来看，yolov8相较yolov5和yolov7在准确率方面确实有一定的提升（仅限于大模型l/x），在本文使用的数据集上提升大概在1个点左右；而小模型（n/s）其实差距不大，甚至yolov7-tiny远低于正常水平（不知道是否是训练的时候出问题了，后续需要再测一下），这是我没有想到的；需要根据实际情况挑选自己的模型，没有最好的模型，只有最适合自己数据集的模型。5.后记如果还不会使用yolov8进行训练的朋友可以移步这篇文章： YOLOv8系列教程：一、使用自定义数据集训练YOLOv8模型（详细版教程），包含环境搭建/数据准备/模型训练/预测/验证/导出等如果想使用yolov7进行训练的朋友可以看下这几篇文章： YOLOv7系列教程：一、基于自定义数据集训练专属于自己的目标检测模型（保姆级教程，含数据集预处理），包含对train.py/test.py/detect.py/export.py详细说明 YOLOv7系列教程：二、使用onnx导出成tensorrt模型，实现高性能部署，包含opencv多线程、图像队列存取、自动保存xml和jpg等模块 YOLOv7系列教程：三、使用onnx导出成openvino模型，并调用接口进行摄像头推理预测

本文链接地址:https://www.jiuchutong.com/zhishi/296103.html 转载请保留说明！

上一篇：AI - AI绘画的精准控图(ControlNet)(ai绘画图片)

下一篇：图像融合、Transformer、扩散模型(图像融合名词解释)