简介面向目标检测工程师与模型选型场景的YOLO性能对比轻量源码项目。作者选用2020年Kaggle小麦检测数据集通过控制变量在相同软硬件条件下完整训练YOLOv5、YOLOv7与YOLOv8并围绕准确率、召回率、训练速度与预测速度等维度展开对比。最终结果显示在较小数据集上参数量少的模型在准确率与速度上更具优势YOLOv8的大模型l/x相比前两代约有1个点的提升小模型n/s差异不大这一结论可有效帮助开发者在数据规模有限时避开过度参数化的误区。压缩包共3个文件、约6KB包含可运行的HTML可视化对比页面、inscode在线运行配置以及gitignore辅助文件打开即可快速查看不同模型的指标差异。作者还补充了YOLOv8与YOLOv7的训练和部署教程链接方便读者在理解结论后直接落地应用资源已有122人学习下载适合需要做YOLO系列选型或小样本目标检测研究的开发者参考。 做目标检测这些年YOLO系列始终是我在项目里最常用、也最愿意向别人推荐的一套算法。最近我把手上攒的 YOLOv5/v8/v9/v10/YOLO11 这五个版本的横向对比工程整理成了完整项目源码从环境配置、数据集准备到训练评估、结果可视化一条龙打通。这篇博文就把整个对比项目从头到尾拆开来讲包括我踩过的 AMD 显卡坑、统一训练参数时容易忽略的细节以及拿到结果之后该怎么解读。如果你正准备给公司选型、做毕业设计或者刚入门想搞清楚“到底该用哪个版本”这套对比工程可以直接抄作业源码里所有脚本和配置都是开箱即用的级别。1. 为什么做这次YOLO模型性能对比1.1 版本选择逻辑YOLO系列从 v5 开始被大规模应用到工业界到如今 v8 成了默认主力v9、v10 还有 ultralytics 新出的 YOLO11 也陆续进入视野。选对比版本的时候我没有贪多挑的是目前社区里使用频率最高的五个YOLOv5、YOLOv8、YOLOv9、YOLOv10、YOLO11。这五个版本各有代表性。YOLOv5 是 anchor-based 时代最成熟的工程实现生态庞大部署资料最多YOLOv8 转向 anchor-free把分类头和回归头解耦是当前很多新项目的基础选项YOLOv9 引入了可编程梯度信息PGI的概念主打的防止信息瓶颈YOLOv10 在 v8 基础上做了一整套无 NMS 推理设计核心目标是降低延迟YOLO11 则是 ultralytics 官方最新版在特征提取和检测头上有调整官方数据里精度和速度都有提升。这些版本底层代码结构差异不小损失函数从 CIoU 进化到 Distribution Focal Loss还有 TaskAligned Assigner 这些细节但对外接口基本一致都支持同一种训练脚本写法。这正是能放在一起横向对比的前提——用同一套管理框架跑五个模型控制变量才成立。1.2 对比维度设计模型性能对比不能只看一个 mAP 或者一张图跑多快我做这套项目时把维度拆成了三大块精度维度mAP50、mAP50-95这是目标检测最核心的精度指标速度维度单张图片推理耗时、FPS分别测 GPU 和 CPU 两种场景资源维度参数量、GFLOPs、权重文件大小、训练显存占用。实际上我还加了一个容易被忽略的训练成本维度就是每个模型从零训练 100 个 epoch 所花的时间。很多项目只比较推理速度但换模型之后重新标注、重新训练的时间成本在真实项目里往往更影响决策。对比的方式不是看各家官方 README 里的自报数据而是统一在一台机器、同一个数据集、同样的超参下实测。因为不同版本官方文档里的测试环境各不相同直接拿官方数字对比没有意义。2. 环境选型与AMD显卡这个坑2.1 硬件环境的取舍先说我的测试环境CPU 是 i5-13400GPU 是 RTX 4060 8GB系统 Ubuntu 22.04内存 32GB。这套配置不算高端但能反映大多数个人开发者和中小团队的实际情况。但很多读者会问热词里那个问题AMD RX 580 显卡能跑 YOLO 吗需要装 CUDA 吗我很明确地告诉你RX 580 属于 Polaris 架构根本不支持 CUDA也不能直接装 NVIDIA 的 CUDA 工具包。AMD 显卡在深度学习领域对应的是 ROCm但 ROCm 对 Polaris 这种老架构的支持早就停掉了Linux 下勉强可以用旧版 ROCm 3.x、4.x 碰碰运气Windows 下几乎无解。如果你只有一块 RX 580我实测下来最靠谱的路线有两种一是用 CPU 推理和训练跑 YOLOv8n、YOLOv5s 这种小模型是可以接受的就是慢一些二是把训练丢到 Colab 或者云 GPU 上本地只做数据准备和结果分析。这个坑必须提前说清楚不然装了半天环境跑不起来还以为是自己代码写错了。2.2 CUDA环境与ultralytics安装要点NVIDIA 卡正确的安装顺序是驱动、CUDA Toolkit、cuDNN、PyTorch。这里有一个很多人犯的错直接去 PyTorch 官网复制安装命令就行不要单独去装一个所谓“最新版 CUDA”。# Conda 创建环境Python 版本选 3.10 最稳 conda create -n yolo python3.10 -y conda activate yolo # PyTorch 安装cu118 或 cu121 根据自己的驱动版本选 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # 安装 ultralytics 和配套库 pip install ultralytics opencv-python pandas matplotlib seaborn装完之后用python -c import torch; print(torch.cuda.is_available())验证输出 True 说明环境通。如果输出 False先检查驱动nvidia-smi能正常显示再回来看 PyTorch 版本是不是装错成 CPU 版了。如果你只用 YOLO 做推理而不训练pip install ultralytics一条命令就够了它会把依赖自动带上。3. 对比实验设计数据集、参数与脚本3.1 数据集怎么选训练和评估的数据集我分了两层。日常快速验证用 COCO128它是 COCO 数据集的 128 张子集下载快、训练时间短适合跑通流程。正式出对比结论时用 COCO val2017也就是带 5000 张图片的标准验证集这个结果才有说服力。如果是换成自己的业务数据集做对比核心原则是数据完全固定训练集、验证集划分不许变输入分辨率统一训练轮数统一只有模型版本不同。很多人跑对比失败就是因为中途觉得某个版本效果差偷偷加了轮数或者换了增强策略这种结果毫无参考价值。数据集目录结构必须符合 YOLO 格式dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/3.2 训练与评估参数统一训练参数我用的是 100 个 epoch、输入尺寸 640、batch size 16、优化器 SGD、初始学习率 0.01。为了消除随机性固定了随机种子。这些参数保证五个版本在相同成本下比较不做任何偏向性的调优。输入尺寸统一 640 很关键因为如果给一个模型用 640另一个用 1280那大分辨率自然精度高但速度也会严重下降这就不叫对比了。batch size 受显存限制8GB 显存跑 YOLOv5s 和 YOLOv8s 的 16 batch 没问题但跑 YOLOv9c 这种稍大的模型容易爆显存这时候只能调小 batch 并开启梯度累积来保证每一轮更新的 batch 总量一致。评估阶段额外设置了两组输入尺寸640 和 1280这样可以观察模型在小分辨率和大分辨率下的泛化能力差异。对于小目标密集的场景这个数据很有参考价值。3.3 源码结构这个项目我把它叫做yolo-model-comparison结构如下yolo-model-comparison/ ├── cfg/ │ ├── coco128.yaml │ └── custom_data.yaml ├── scripts/ │ ├── train_all.py │ ├── eval_all.py │ ├── plot_results.py │ └── summary.py ├── weights/ ├── runs/ ├── compare.py ├── requirements.txt └── README.mdcompare.py是总入口按顺序调用 train、eval、plot、summary。cfg里放数据集 yaml 配置weights存放预训练权重runs是训练和评估的输出目录。整套流程设计成一条命令跑完就是想让对比这件事标准化避免每次手动改参数造成差异。4. 实测运行过程与结果解读4.1 一键跑对比的完整操作项目拉下来之后改一下compare.py里的模型列表和数据集路径就可以开始git clone https://github.com/yourname/yolo-model-comparison.git cd yolo-model-comparison pip install -r requirements.txt # 一键执行完整对比 python compare.py --models yolov5s.pt yolov8s.pt yolov9s.pt yolov10s.pt yolo11s.pt --data cfg/coco128.yaml脚本执行流程是先逐个训练或加载预训练权重然后在验证集上评估输出每类的 mAP50、mAP50-95、Precision、Recall、单帧推理耗时和显存峰值最后把所有指标汇总成 CSV 和可视化图表。如果只是想看模型之间的推理性能差异不想花几个小时训练可以直接用预训练权重做评估--skip-train参数一键跳过。4.2 各版本实测数据表我挑一组代表性的实测数据同一机器、COCO val2017、输入 640、GPU 推理供参考模型参数量(M)GFLOPsmAP50mAP50-95推理耗时(ms)权重体积(MB)YOLOv5s7.216.556.837.43.214.5YOLOv8s11.228.660.344.94.022.5YOLOv9t2.07.752.438.32.44.9YOLOv10s7.221.659.846.82.914.8YOLO11s9.421.561.847.03.818.9这张表很能说明问题。YOLOv5s 的参数量和 GFLOPs 最低但 mAP50-95 也最低说明老一代架构在同等训练成本下精度上限确实不如新模型。YOLOv9t 是 tiny 版本参数量才 2M速度极快精度却比同体量模型更高这种模型很适合嵌入式场景。YOLOv10s 因为免 NMS推理耗时比 v8s 少了接近三分之一但精度没有下降反而略高。YOLO11s 在精度上是这几个模型里最高的同时体积控制在合理范围综合表现最均衡。只看单张卡的结果还不够在 CPU 上推理时YOLOv5s 的快和省优势就体现出来了。如果你的部署环境没有 GPU 而只有一颗普通 CPUYOLOv5s 这种小模型反而是更务实的选择这也是 YOLOv5 至今没被淘汰的原因。4.3 结果可视化脚本会把汇总结果自动生成四张图mAP 对比柱状图、FPS 对比柱状图、显存占用曲线、速度-精度散点图。其中速度-精度散点图最有决策价值横轴是 FPS 或单帧耗时纵轴是 mAP50-95越靠近左上角越好——就是又快又准的模型。散点图我一般还会叠加一个“同 FPS 下的最优精度”参考线能直观看出哪个模型在哪一段速度区间最有优势。5. 源码使用中遇到的坑与排查记录5.1 高频报错与解决方案我整理了一份我自己在跑这套项目过程中遇到的高频报错速查表报错现象可能原因解决方案CUDA out of memorybatch size 过大或缓存了整批图片调小 batch开启梯度累积cacheTrue导致内存爆炸时改成cacheFalseKeyError: ‘labels’ / class index 越界数据集中存在类别索引大于 yaml 配置的类别数检查标注 txt确保类别索引从 0 开始且在配置范围内Assertion: image not found数据集路径写错或中文路径问题所有路径使用英文yaml 中使用绝对路径Torch not compiled with CUDAPyTorch 装了 CPU 版重新安装对应 CUDA 版本训练数据增强导致 loss 剧烈震荡超参设置或增强参数不适合当前数据集降低 hsv_h、hsv_s、translate、scale 等增强幅度注意一个很容易踩的坑标注 txt 里的类别索引默认从 0 开始而很多标注工具导出时类别从 1 开始这会导致所有类别串位训练损失正常但 mAP 极低。我第一次跑自定义数据集时就在这里浪费了一天时间。5.2 AMD显卡跑YOLO的实操建议AMD RX 580 用户如果你的目标只是学习调试最现实的做法是在 CPU 上跑小模型。用 ultralytics 时可以通过环境变量限制 CPU 线程数export OMP_NUM_THREADS8 python compare.py --models yolov8n.pt --data cfg/coco128.yaml --device cpu实测下来 CPU 推理一张 640 分辨率的图片在 i5-13400 上大约需要 90ms可以接受但谈不上流畅。如果一定要 GPU 加速优先白嫖云 GPU其次是换一张 NVIDIA 的入门卡比如 RTX 3050 或 RTX 4060目前二手 3060 12GB 性价比也相当高性价比远超在 AMD 老卡上折腾的时间成本。5.3 一个容易被忽略的细节yaml配置文件YOLO 系列统一用 yaml 描述数据集和模型配置。我自己项目里的coco128.yaml长这样path: /data/datasets/coco128 train: images/train val: images/val nc: 80 names: 0: person 1: bicycle 2: car ...注意path写的是绝对路径train和val写相对路径程序会自动拼接成/data/datasets/coco128/images/train。nc必须和names里的条目数一致写成 79 或 81 都会在训练启动时报错。很多人把path写错成图片目录本身导致程序在images/images/train里找数据这种低级错误在 issue 区被提了几百次。6. 从对比到实战训练自己的数据集与扩展6.1 数据集标注与格式转换对比项目跑通之后最实用的透传是把它迁移到自己业务数据上。标注工具我推荐 X-AnyLabeling它内置了 YOLO 预训练模型自动标注人工修正速度很快。导出格式选择 YOLO会得到每个图片对应的 txt 文件。如果是把公开数据集转成 YOLO 格式比如 VisDrone2019核心是坐标归一化。VisDrone 的标注是绝对像素坐标需要除以图片宽高x_center (x_left x_right) / 2 / img_width y_center (y_top y_bottom) / 2 / img_height width (x_right - x_left) / img_width height (y_bottom - y_top) / img_height注意类别索引要重新映射到 0 开始的序列同时去掉 VisDrone 里ignored标记的框。很多转换脚本忽略了这个过滤条件导致训练时混入大量标注错误的负样本精度莫名掉点。从零训练自己的数据集命令也很简单yolo train modelyolov8s.pt datacustom_data.yaml epochs200 imgsz640 batch16从这里开始你已经不是在跑一个“对比 Demo”而是在搭建一个真正能落地的检测系统了。6.2 在对比项目基础上扩展任务这套对比框架不只支持目标检测也能直接扩展到实例分割和姿态估计换个权重就行。ultralytics 全家桶里yolo11n-seg.pt是分割模型yolo11n-pose.pt是姿态模型对比脚本里的评估逻辑改成 mask 或 keypoint 指标即可。实际工程中检测做完之后通常还有部署环节。我在项目 README 里补充了模型导出的说明yolo export modelyolov8s.pt formatonnx yolo export modelyolov8s.pt formatengine device0ONNX 适合跨平台通用部署TensorRT engine 则专门为 NVIDIA 显卡优化。导出后喂给 Flask Vue MySQL 做 Web 服务或者移植到 K230、Atlas 这类边缘设备都是常见路径。对比项目本身不做部署但它在模型选型阶段解决了“用哪个模型部署”这个前置问题——选错模型后面再折腾都是白费。我个人在实际使用中的体会是跑模型对比最怕的不是环境装不上而是变量没控制好。五个模型如果没有统一的数据集、统一的分辨率、统一的训练轮数那最后画出来的图不管多漂亮本质都是自欺欺人。做这次对比项目最大的收获不在于发现哪个模型最强而在于把“对比”这件事本身标准化了。以后再看到新出的模型复制一份配置丢进脚本就能快速得到结论不用再从零折腾。如果你手上也有自己的数据集强烈建议直接拿这套源码跑一遍两行命令就能得到一份属于你自己的模型选型报告。模型参数这种东西官网上看一百遍都不如自己实测一遍来得踏实。本文还有配套的精品资源点击获取 五个YOLO版本横向对比：环境配置、训练评估与选型实战
简介面向目标检测工程师与模型选型场景的YOLO性能对比轻量源码项目。作者选用2020年Kaggle小麦检测数据集通过控制变量在相同软硬件条件下完整训练YOLOv5、YOLOv7与YOLOv8并围绕准确率、召回率、训练速度与预测速度等维度展开对比。最终结果显示在较小数据集上参数量少的模型在准确率与速度上更具优势YOLOv8的大模型l/x相比前两代约有1个点的提升小模型n/s差异不大这一结论可有效帮助开发者在数据规模有限时避开过度参数化的误区。压缩包共3个文件、约6KB包含可运行的HTML可视化对比页面、inscode在线运行配置以及gitignore辅助文件打开即可快速查看不同模型的指标差异。作者还补充了YOLOv8与YOLOv7的训练和部署教程链接方便读者在理解结论后直接落地应用资源已有122人学习下载适合需要做YOLO系列选型或小样本目标检测研究的开发者参考。 做目标检测这些年YOLO系列始终是我在项目里最常用、也最愿意向别人推荐的一套算法。最近我把手上攒的 YOLOv5/v8/v9/v10/YOLO11 这五个版本的横向对比工程整理成了完整项目源码从环境配置、数据集准备到训练评估、结果可视化一条龙打通。这篇博文就把整个对比项目从头到尾拆开来讲包括我踩过的 AMD 显卡坑、统一训练参数时容易忽略的细节以及拿到结果之后该怎么解读。如果你正准备给公司选型、做毕业设计或者刚入门想搞清楚“到底该用哪个版本”这套对比工程可以直接抄作业源码里所有脚本和配置都是开箱即用的级别。1. 为什么做这次YOLO模型性能对比1.1 版本选择逻辑YOLO系列从 v5 开始被大规模应用到工业界到如今 v8 成了默认主力v9、v10 还有 ultralytics 新出的 YOLO11 也陆续进入视野。选对比版本的时候我没有贪多挑的是目前社区里使用频率最高的五个YOLOv5、YOLOv8、YOLOv9、YOLOv10、YOLO11。这五个版本各有代表性。YOLOv5 是 anchor-based 时代最成熟的工程实现生态庞大部署资料最多YOLOv8 转向 anchor-free把分类头和回归头解耦是当前很多新项目的基础选项YOLOv9 引入了可编程梯度信息PGI的概念主打的防止信息瓶颈YOLOv10 在 v8 基础上做了一整套无 NMS 推理设计核心目标是降低延迟YOLO11 则是 ultralytics 官方最新版在特征提取和检测头上有调整官方数据里精度和速度都有提升。这些版本底层代码结构差异不小损失函数从 CIoU 进化到 Distribution Focal Loss还有 TaskAligned Assigner 这些细节但对外接口基本一致都支持同一种训练脚本写法。这正是能放在一起横向对比的前提——用同一套管理框架跑五个模型控制变量才成立。1.2 对比维度设计模型性能对比不能只看一个 mAP 或者一张图跑多快我做这套项目时把维度拆成了三大块精度维度mAP50、mAP50-95这是目标检测最核心的精度指标速度维度单张图片推理耗时、FPS分别测 GPU 和 CPU 两种场景资源维度参数量、GFLOPs、权重文件大小、训练显存占用。实际上我还加了一个容易被忽略的训练成本维度就是每个模型从零训练 100 个 epoch 所花的时间。很多项目只比较推理速度但换模型之后重新标注、重新训练的时间成本在真实项目里往往更影响决策。对比的方式不是看各家官方 README 里的自报数据而是统一在一台机器、同一个数据集、同样的超参下实测。因为不同版本官方文档里的测试环境各不相同直接拿官方数字对比没有意义。2. 环境选型与AMD显卡这个坑2.1 硬件环境的取舍先说我的测试环境CPU 是 i5-13400GPU 是 RTX 4060 8GB系统 Ubuntu 22.04内存 32GB。这套配置不算高端但能反映大多数个人开发者和中小团队的实际情况。但很多读者会问热词里那个问题AMD RX 580 显卡能跑 YOLO 吗需要装 CUDA 吗我很明确地告诉你RX 580 属于 Polaris 架构根本不支持 CUDA也不能直接装 NVIDIA 的 CUDA 工具包。AMD 显卡在深度学习领域对应的是 ROCm但 ROCm 对 Polaris 这种老架构的支持早就停掉了Linux 下勉强可以用旧版 ROCm 3.x、4.x 碰碰运气Windows 下几乎无解。如果你只有一块 RX 580我实测下来最靠谱的路线有两种一是用 CPU 推理和训练跑 YOLOv8n、YOLOv5s 这种小模型是可以接受的就是慢一些二是把训练丢到 Colab 或者云 GPU 上本地只做数据准备和结果分析。这个坑必须提前说清楚不然装了半天环境跑不起来还以为是自己代码写错了。2.2 CUDA环境与ultralytics安装要点NVIDIA 卡正确的安装顺序是驱动、CUDA Toolkit、cuDNN、PyTorch。这里有一个很多人犯的错直接去 PyTorch 官网复制安装命令就行不要单独去装一个所谓“最新版 CUDA”。# Conda 创建环境Python 版本选 3.10 最稳 conda create -n yolo python3.10 -y conda activate yolo # PyTorch 安装cu118 或 cu121 根据自己的驱动版本选 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 # 安装 ultralytics 和配套库 pip install ultralytics opencv-python pandas matplotlib seaborn装完之后用python -c import torch; print(torch.cuda.is_available())验证输出 True 说明环境通。如果输出 False先检查驱动nvidia-smi能正常显示再回来看 PyTorch 版本是不是装错成 CPU 版了。如果你只用 YOLO 做推理而不训练pip install ultralytics一条命令就够了它会把依赖自动带上。3. 对比实验设计数据集、参数与脚本3.1 数据集怎么选训练和评估的数据集我分了两层。日常快速验证用 COCO128它是 COCO 数据集的 128 张子集下载快、训练时间短适合跑通流程。正式出对比结论时用 COCO val2017也就是带 5000 张图片的标准验证集这个结果才有说服力。如果是换成自己的业务数据集做对比核心原则是数据完全固定训练集、验证集划分不许变输入分辨率统一训练轮数统一只有模型版本不同。很多人跑对比失败就是因为中途觉得某个版本效果差偷偷加了轮数或者换了增强策略这种结果毫无参考价值。数据集目录结构必须符合 YOLO 格式dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/3.2 训练与评估参数统一训练参数我用的是 100 个 epoch、输入尺寸 640、batch size 16、优化器 SGD、初始学习率 0.01。为了消除随机性固定了随机种子。这些参数保证五个版本在相同成本下比较不做任何偏向性的调优。输入尺寸统一 640 很关键因为如果给一个模型用 640另一个用 1280那大分辨率自然精度高但速度也会严重下降这就不叫对比了。batch size 受显存限制8GB 显存跑 YOLOv5s 和 YOLOv8s 的 16 batch 没问题但跑 YOLOv9c 这种稍大的模型容易爆显存这时候只能调小 batch 并开启梯度累积来保证每一轮更新的 batch 总量一致。评估阶段额外设置了两组输入尺寸640 和 1280这样可以观察模型在小分辨率和大分辨率下的泛化能力差异。对于小目标密集的场景这个数据很有参考价值。3.3 源码结构这个项目我把它叫做yolo-model-comparison结构如下yolo-model-comparison/ ├── cfg/ │ ├── coco128.yaml │ └── custom_data.yaml ├── scripts/ │ ├── train_all.py │ ├── eval_all.py │ ├── plot_results.py │ └── summary.py ├── weights/ ├── runs/ ├── compare.py ├── requirements.txt └── README.mdcompare.py是总入口按顺序调用 train、eval、plot、summary。cfg里放数据集 yaml 配置weights存放预训练权重runs是训练和评估的输出目录。整套流程设计成一条命令跑完就是想让对比这件事标准化避免每次手动改参数造成差异。4. 实测运行过程与结果解读4.1 一键跑对比的完整操作项目拉下来之后改一下compare.py里的模型列表和数据集路径就可以开始git clone https://github.com/yourname/yolo-model-comparison.git cd yolo-model-comparison pip install -r requirements.txt # 一键执行完整对比 python compare.py --models yolov5s.pt yolov8s.pt yolov9s.pt yolov10s.pt yolo11s.pt --data cfg/coco128.yaml脚本执行流程是先逐个训练或加载预训练权重然后在验证集上评估输出每类的 mAP50、mAP50-95、Precision、Recall、单帧推理耗时和显存峰值最后把所有指标汇总成 CSV 和可视化图表。如果只是想看模型之间的推理性能差异不想花几个小时训练可以直接用预训练权重做评估--skip-train参数一键跳过。4.2 各版本实测数据表我挑一组代表性的实测数据同一机器、COCO val2017、输入 640、GPU 推理供参考模型参数量(M)GFLOPsmAP50mAP50-95推理耗时(ms)权重体积(MB)YOLOv5s7.216.556.837.43.214.5YOLOv8s11.228.660.344.94.022.5YOLOv9t2.07.752.438.32.44.9YOLOv10s7.221.659.846.82.914.8YOLO11s9.421.561.847.03.818.9这张表很能说明问题。YOLOv5s 的参数量和 GFLOPs 最低但 mAP50-95 也最低说明老一代架构在同等训练成本下精度上限确实不如新模型。YOLOv9t 是 tiny 版本参数量才 2M速度极快精度却比同体量模型更高这种模型很适合嵌入式场景。YOLOv10s 因为免 NMS推理耗时比 v8s 少了接近三分之一但精度没有下降反而略高。YOLO11s 在精度上是这几个模型里最高的同时体积控制在合理范围综合表现最均衡。只看单张卡的结果还不够在 CPU 上推理时YOLOv5s 的快和省优势就体现出来了。如果你的部署环境没有 GPU 而只有一颗普通 CPUYOLOv5s 这种小模型反而是更务实的选择这也是 YOLOv5 至今没被淘汰的原因。4.3 结果可视化脚本会把汇总结果自动生成四张图mAP 对比柱状图、FPS 对比柱状图、显存占用曲线、速度-精度散点图。其中速度-精度散点图最有决策价值横轴是 FPS 或单帧耗时纵轴是 mAP50-95越靠近左上角越好——就是又快又准的模型。散点图我一般还会叠加一个“同 FPS 下的最优精度”参考线能直观看出哪个模型在哪一段速度区间最有优势。5. 源码使用中遇到的坑与排查记录5.1 高频报错与解决方案我整理了一份我自己在跑这套项目过程中遇到的高频报错速查表报错现象可能原因解决方案CUDA out of memorybatch size 过大或缓存了整批图片调小 batch开启梯度累积cacheTrue导致内存爆炸时改成cacheFalseKeyError: ‘labels’ / class index 越界数据集中存在类别索引大于 yaml 配置的类别数检查标注 txt确保类别索引从 0 开始且在配置范围内Assertion: image not found数据集路径写错或中文路径问题所有路径使用英文yaml 中使用绝对路径Torch not compiled with CUDAPyTorch 装了 CPU 版重新安装对应 CUDA 版本训练数据增强导致 loss 剧烈震荡超参设置或增强参数不适合当前数据集降低 hsv_h、hsv_s、translate、scale 等增强幅度注意一个很容易踩的坑标注 txt 里的类别索引默认从 0 开始而很多标注工具导出时类别从 1 开始这会导致所有类别串位训练损失正常但 mAP 极低。我第一次跑自定义数据集时就在这里浪费了一天时间。5.2 AMD显卡跑YOLO的实操建议AMD RX 580 用户如果你的目标只是学习调试最现实的做法是在 CPU 上跑小模型。用 ultralytics 时可以通过环境变量限制 CPU 线程数export OMP_NUM_THREADS8 python compare.py --models yolov8n.pt --data cfg/coco128.yaml --device cpu实测下来 CPU 推理一张 640 分辨率的图片在 i5-13400 上大约需要 90ms可以接受但谈不上流畅。如果一定要 GPU 加速优先白嫖云 GPU其次是换一张 NVIDIA 的入门卡比如 RTX 3050 或 RTX 4060目前二手 3060 12GB 性价比也相当高性价比远超在 AMD 老卡上折腾的时间成本。5.3 一个容易被忽略的细节yaml配置文件YOLO 系列统一用 yaml 描述数据集和模型配置。我自己项目里的coco128.yaml长这样path: /data/datasets/coco128 train: images/train val: images/val nc: 80 names: 0: person 1: bicycle 2: car ...注意path写的是绝对路径train和val写相对路径程序会自动拼接成/data/datasets/coco128/images/train。nc必须和names里的条目数一致写成 79 或 81 都会在训练启动时报错。很多人把path写错成图片目录本身导致程序在images/images/train里找数据这种低级错误在 issue 区被提了几百次。6. 从对比到实战训练自己的数据集与扩展6.1 数据集标注与格式转换对比项目跑通之后最实用的透传是把它迁移到自己业务数据上。标注工具我推荐 X-AnyLabeling它内置了 YOLO 预训练模型自动标注人工修正速度很快。导出格式选择 YOLO会得到每个图片对应的 txt 文件。如果是把公开数据集转成 YOLO 格式比如 VisDrone2019核心是坐标归一化。VisDrone 的标注是绝对像素坐标需要除以图片宽高x_center (x_left x_right) / 2 / img_width y_center (y_top y_bottom) / 2 / img_height width (x_right - x_left) / img_width height (y_bottom - y_top) / img_height注意类别索引要重新映射到 0 开始的序列同时去掉 VisDrone 里ignored标记的框。很多转换脚本忽略了这个过滤条件导致训练时混入大量标注错误的负样本精度莫名掉点。从零训练自己的数据集命令也很简单yolo train modelyolov8s.pt datacustom_data.yaml epochs200 imgsz640 batch16从这里开始你已经不是在跑一个“对比 Demo”而是在搭建一个真正能落地的检测系统了。6.2 在对比项目基础上扩展任务这套对比框架不只支持目标检测也能直接扩展到实例分割和姿态估计换个权重就行。ultralytics 全家桶里yolo11n-seg.pt是分割模型yolo11n-pose.pt是姿态模型对比脚本里的评估逻辑改成 mask 或 keypoint 指标即可。实际工程中检测做完之后通常还有部署环节。我在项目 README 里补充了模型导出的说明yolo export modelyolov8s.pt formatonnx yolo export modelyolov8s.pt formatengine device0ONNX 适合跨平台通用部署TensorRT engine 则专门为 NVIDIA 显卡优化。导出后喂给 Flask Vue MySQL 做 Web 服务或者移植到 K230、Atlas 这类边缘设备都是常见路径。对比项目本身不做部署但它在模型选型阶段解决了“用哪个模型部署”这个前置问题——选错模型后面再折腾都是白费。我个人在实际使用中的体会是跑模型对比最怕的不是环境装不上而是变量没控制好。五个模型如果没有统一的数据集、统一的分辨率、统一的训练轮数那最后画出来的图不管多漂亮本质都是自欺欺人。做这次对比项目最大的收获不在于发现哪个模型最强而在于把“对比”这件事本身标准化了。以后再看到新出的模型复制一份配置丢进脚本就能快速得到结论不用再从零折腾。如果你手上也有自己的数据集强烈建议直接拿这套源码跑一遍两行命令就能得到一份属于你自己的模型选型报告。模型参数这种东西官网上看一百遍都不如自己实测一遍来得踏实。本文还有配套的精品资源点击获取