YOLOR 或 YOLOv5：哪个更好？

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

yolov5是一种现代的物体检测算法，用torch编写，除此之外，它还具有速度快、精度高、易于安装和使用的特点。

由于其不同的导出和部署模块，yolov5 的重要性被提高了。我们可以在许多扩展中转换训练模型（.pt），即，

• torch(.pt) → tensorflow-lite(.tflite) {用于 android 开发等)
• torch → open-neuralnetwork-exchange (.onnx) {对于跨平台}
• torch → Tensorrt-engine (.trt/.engine) {用于 Tensorrt 集成)

Yolov5 有不同的模型变体，包括 yolov5s(small)、yolov5m(medium)、yolov5l(large)、yolov5x(extra-large)。让我们看看这些变化的准确性

YOLOv5不同变体精度对比

我们可以看到 yolov5 的平均精度（地图）从 36% 开始，到 55% 结束。从yolov5s →yolov5l 开始，准确率在增加，但不是太多，这意味着 yolov5s 的准确率也不错，体积非常小，我们也可以在嵌入式设备中使用它。Yolov5s 和 yolov5m 是秉承嵌入式设备的理念开发的，因此两者都可以轻松与嵌入式设备集成。它们都在 jetson 嵌入式设备上提供了良好的 fps，内存使用较少。

更多详细信息，您可以查看yolov5 文档和yolov5 github。

YOLOR：

yolor 也是一种新的目标检测算法，用（tensorflow和torch）两种语言编写，具有高精度，易于安装和使用。

yoloR 的重要性在于其高精度和 F1 分数。

Yolor 有不同的模型变化，包括 yolor-p6(small)、yolor-w6(medium)、yolor-d6(large)、yolor-e6(extra-large)。让我们看看这些变化的准确性

YoloR 变体准确度比较

我们可以看到 yolor 平均精度（map）从 54% 开始，随着从 yolor-p6 → yolor-w6 的不同变化而增加。yolor-p6 适用于嵌入式设备，而 (w6, d6) 等其他变体不适用于嵌入式设备，因为它们需要大量时间和巨大的内存来处理。

更多细节可以查看yolor github

比较：

两者都有自己的优点和缺点。下面我讨论了这些。

• 就准确率而言，yolor 与 yolov5 相比最好，因为 yolor 的平均平均准确率从 (54%) 开始，到 68% 结束。而在 yolov5 中，平均精度从 35% 开始，到 55% 结束，但是 yolor 以模型大小（1280）提供上述结果，而 yolov5 以模型大小（640）提供上述结果，所以如果我们将两者进行比较在相同大小的情况下，与 yolor 相比，Yolov5 的结果要好得多。
• 在嵌入式设备（如树莓派、jetson 等）中，yolov5 是比 yolor 更好的解决方案。因为我们想要在嵌入式设备中（准确度 + FPS），所以 yolov5 提供了比 yolor 更好的 FPS。此外，与模型大小 (640) 的 yolor 的准确度相比，它的模型大小 (640) 的准确度非常好。所以我们可以在嵌入式设备中使用它。
• 在这两者中，数据训练的平均平均精度取决于数据标注、数据质量和参数优化。
• 与 yolor 相比，yolov5 更受欢迎。因为它以不同的格式导出和部署。我们可以使用官方的export.py脚本以不同的格式导出 yolov5 训练的模型，包括（.pt、.onnx、.trt、.pb、.torchscript、.Coreml、.tflite、.edgetpu 等）。虽然在 yolor 中我们没有以不同格式导出输出的选项，但我们必须为转换开发自定义脚本。
• yolov5 是在保留yolov4的思想基础上开发的，以提高其准确性，而 yolor 是在保留scaled yolov4的思想基础上开发的，以提高其准确性。

结论：

如果您想在只关心准确性的场景中使用这些模型，那么 yolor 是最好的解决方案，如果您想在非常关注 FPS 并且设备内存很小（例如 500mb， 2gb, 4gb) ，那么在这些情况下 yolov5 是最好的解决方案。