YOLOR 或 YOLOv5：哪个更好？

原创 已于 2022-03-20 18:53:38 修改 · 5.3k 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #计算机视觉 #目标检测 #机器学习 #YOLO

于 2022-03-14 12:38:56 首次发布
YOLOR和YOLOv5是目标检测领域的两个强大算法，各有优势。YOLOR在精度上占优，而YOLOv5则在速度和嵌入式设备应用上表现出色。对于追求最高精度的场景，YOLOR是更好的选择；而对于需要快速响应和低内存消耗的应用，YOLOv5则是理想之选。

YOLOR 和 YOLOv5都是最先进的目标检测算法，性能相当，但哪一个更好？但在进行比较之前，让我们先讨论一下什么是对象检测？

对象检测技术被广泛用作工业中许多应用程序的后端，包括桌面和 Web 应用程序。它也是许多计算机视觉任务的支柱，包括对象分割、对象跟踪、对象分类、对象计数等。在现代，每个人对任何应用程序的目标是，“应用程序必须易于使用，需要更少的处理时间并提供最佳结果” 。

前（5-10）年，出现了很多新的目标检测模型，每个人都有自己的优缺点，但到目前为止，速度和准确率最好的目标检测模型包括 yolov4、yolov5 和 yoloR。

YOLOv5 或 YOLOR

 关注公众号：AI基地，及时获取最新资讯，学习资料

YOLOv5

yol

最低0.47元/天 解锁文章
【论文阅读】YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
博观约取，厚积薄发
07-16 4897
在 5 FPS 到 160 FPS 的范围内，YOLOv7 在 speed 和accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100上 30 FPS 或更高的实时目标检测器中，YOLOv7 有最高的 56.8% AP的accuracy。YOLOv7-E6 目标检测器( 56FPS V100，55.9%AP) 比基于 transformer 的检测器 SWINL Cascade-MASK R-CNN(9.2 FPS A100，53.9%AP) 的 speed ............
YOLOv5与YOLOv4的区别与优缺点分析
AI天才研究院
07-03 1740
在深度学习和计算机视觉领域，物体检测是研究的核心之一。从早期基于全连接层的算法如R-CNN系列到如今流行的轻量级检测器如SSD、Faster R-CNN以及单阶段检测器如YOLO系列，算法一直在追求更高的精度、速度和实时性之间的平衡。其中，YOLO (You Only Look Once) 系列因其在端到端物体检测上的优势而备受关注。YOLOv5架构主干网络（Backbone）: 利用GhostNet或CSPDarknet等先进网络结构。特征融合。
YOLOv5白皮书-第Y3周：yolov5s.yaml文件解读
2303_82344401的博客
02-28 758
YOLOv5配置了4中不同大小的网络模型，分别是YOLOv5sYOLOv5mYOLOv5lYOLOv5x, 其中YOLOv5s是网络深度和宽度最小但检测速度最快的模型，其他3种模型，都是在YOLOv5s的基础上，不断加深、加宽网络使得网络规模扩大，在增强模型检测性能的同时，增加了计算资源和速度消耗。处于对检测精度、模型大小、检测速度的综合考量，本文选择YOLOv5s作为研究对象进行介绍。文件是YOLOv5s网络的定义文件，如果你想改进算法的网络结构，需要先修改该文件中的相关参数，然后再修改和中的相关代码。
Yolov5模型优势与不足对比分析
万年婴儿肥
10-15 3506
在深度学习和计算机视觉领域，YOLOv5无疑是一颗耀眼的星辰。🌟 它以其卓越的性能和易用性，成为了目标检测算法中的佼佼者。今天，我们就来深入探讨YOLOv5的优势、不足，以及它与其他模型框架的对比。
OpenCV 和 YOLO哪个性能好
最新发布
ZhuBin365的博客
09-06 969
比较维度OpenCVYOLO胜出方 / 最佳实践目标检测速度传统方法慢；通过dnn运行YOLO则快非常快（专为实时设计）YOLO(尤其通过OpenCV dnn部署时)目标检测精度传统方法精度低；通过dnn运行YOLO则高高（最新版本SOTA水平）YOLO图像处理能力极其强大且高效无OpenCV功能范围数千种算法，覆盖CV全流程专注于目标检测（及衍生任务如分割、姿态）不同领域，无法比较开发简易性(推理)加载预训练YOLO模型非常简单需要框架支持，但官方提供易用接口。
yolov5s和yolov5x.zip
08-20
YOLOV5官方训练好的模型，精度很高，识别物体可达80种
yolov5s 预训练模型_YOLOv5目标检测源码重磅发布了！
weixin_39709674的博客
12-18 3101
YOLOv5目标检测源码重磅发布了！该存储库代表了对未来对象检测方法的超解析开源研究，并结合了在使用之前的YOLO存储库在自定义客户机数据集上训练数千个模型时所吸取的经验教训和改进的最佳实践https://github.com/ultralytics/yolov3。所有代码和模型都在积极开发中，可能会被修改或删除，恕不另行通知。使用风险自负。更新：2020年5月27日：公开发布。yolov3 sp...
深入解析yolov5，为什么算法都是基于yolov5做改进的？（一）
热门推荐
dont worry about it的博客
05-01 5万+
YOLOv5是一种单阶段目标检测算法，它在YOLOv4的基础上引入了多项改进，显著提升了检测的速度和精度。YOLOv5的设计哲学是简洁高效，它有四个版本：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，分别对应不同的模型大小和性能。YOLOv5的四个版本（s,m,l,x）——YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，它们之间的主要区别在于模型的深度和宽度，即模型的复杂度和性能。下面是各个版本的具体区别：可以看到每个模型对应的大小速度检测性能都有差距。
【YOLOv7】《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors》
bryant_meng
08-01 1151
CVPR-2023。
YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
qq_52302919的博客
07-19 3132
近年来，针对不同的边缘设备，仍在开发实时目标检测器。例如MCUNet和NanoDet的优化主要致力于低功耗的单片机，提高边缘CPU的推理速度。而YOLOX和YOLOR等方法则专注于提高各种gpu的推理速度。近年来，实时目标检测器的发展主要集中在高效体系结构的设计上。至于可以在CPU上使用的实时目标检测器，它们的设计大多基于MobileNet，ShuffleNet，或GhostNet。...
YOLOv7：Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
斯人若彩虹，遇上方知有！
07-28 3851
YOLOv7的初体验
YOLOv5简析
weixin_43850171的博客
02-21 1万+
yolov5简析
yolov5s.pt、yolov5x.pt、yolov5m.pt、yolov5l.pt
02-02
yolov5s.pt yolov5x.pt yolov5m.pt yolov5l.pt
【Yolov系列】Yolov5学习（一）：大致框架
qq_43737512的博客
04-24 1万+
Yolov5学习（一）：大致框架
总结后记——YOLOV5有什么优越的性能？
vindicater的博客
09-02 2274
那么本文起到的作用是总结，将前文的所有修改方式等等总结归纳在一起，从中看出ultralytics公司对于YOLO这一开源项目所付出的努力心血和达成的优良效果
Yolov5一些知识
weixin_46504385的博客
04-11 4114
Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。
YOLO-v5
Major_S的博客
06-17 2820
待留
【精选】金属缺陷检测系统：YOLOv5和OpenCV
cheng2333333的博客
12-15 1424
【精选】金属缺陷检测系统：YOLOv5和OpenCV
YOLOV5部署性能比较 opencvDNN /ONNX onnxruntime/ Openvion 2022.1
hong3731的专栏
03-30 1万+
测试场景： 在WIN10的平台，测试了几种部署工具的性能比较，非官方数据，只是记录了测试的时间 1.硬件平台 CPU Intel Core I7 9850-H @2.6GHz 内存 32G 核显 UHD620 2.软件平台 vc++ 2019 win10 ONNX onnxruntime1.10 Opencv 4.5.5 OpenVINO 2022.1 3.YOLO模型 1.官网下载：yolov5s.onnx 2.Openvion 优化模型：yolov5s.xml 模型输入大小为640*640 测试效
YOLOv1：统一实时目标检测的突破
另一方面，它在避免误报（false positives）方面表现较好，这表明它在设计时更侧重于减少不准确的预测，从而提升整体检测质量。 YOLov1论文的贡献在于引入了一种新颖的、高效的物体检测框架，它不仅改变了传统的...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值