在目标检测领域，YOLO（You Only Look Once）一直是一种突破性算法。自YOLO算法问世以来，它已经演变为许多版本，其中最受欢迎的版本是YOLOv5和YOLOv8。这两个版本都有独特的特点和优势，使它们在各自的领域表现出色。

YOLOv5回顾：

Backbone：CSPDarkNet结构，主要结构思想的体现在C3模块，这里也是梯度分流的主要思想所在的地方；

PAN-FPN：双流的FPN，必须香，也必须快，但是量化还是有些需要图优化才可以达到最优的性能，比如cat前后的scale优化等等，这里除了上采样、CBS卷积模块，最为主要的还有C3模块；

Head：Coupled Head+Anchor-base，毫无疑问，YOLOv3、YOLOv4、YOLOv5、YOLOv7都是Anchor-Base的；

Loss：分类用BEC Loss，回归用CIoU Loss。

YOLOv8核心介绍

Backbone：使用的依旧是CSP的思想，不过YOLOv5中的C3模块被替换成了C2f模块，实现了进一步的轻量化，同时YOLOv8依旧使用了YOLOv5等架构中使用的SPPF模块；

PAN-FPN：毫无疑问YOLOv8依旧使用了PAN的思想，不过通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8将YOLOv5中PAN-FPN上采样阶段中的卷积结构删除了，同时也将C3模块替换为了C2f模块；

Decoupled-Head：YOLOv8走向了Decoupled-Head；

Anchor-Free：YOLOv8抛弃了以往的Anchor-Base，使用了Anchor-Free的思想；

损失函数：YOLOv8使用VFL Loss作为分类损失，使用DFL Loss+CIOU Loss作为分类损失；

样本匹配：YOLOv8抛弃了以往的IOU匹配或者单边比例的分配方式，而是使用了Task-Aligned Assigner匹配方式。

相似之处（YOLOv5与YOLOv8）

• 骨干网络：YOLOv5和YOLOv8都使用CSPDarknet53骨干架构。

• anchor boxes：这两种算法都使用 anchor boxes 来提高目标检测的准确性。

• 非极大值抑制（NMS）：这两种算法都使用NMS来抑制同一目标的多次检测。

• 后处理：这两种算法都使用后处理技术来提高目标检测的准确性。

• 优化器：YOLOv5和YOLOv8都使用Adam优化器来训练模型。

• 激活函数：这两种算法在它们的架构中都使用Mish激活函数。

准确性比较（YOLOv5与YOLOv8）

YOLOv5以其在目标检测方面的准确性而闻名。它在准确性方面取得了最先进的表现，在COCO数据集上的平均精度为50.5%。YOLOv5在检测小物体方面也表现出色，而在以前的YOLO版本中，这是一个重大挑战。YOLOv5还在实际应用中表现出色，例如在视频流中检测行人。

YOLOv8在准确性方面胜过YOLOv5。YOLOv8s模型在COCO数据集上取得了平均精度为51.4%的成绩，而YOLOv8m模型在同一数据集上取得了平均精度为54.2%的成绩。YOLOv8还在检测小物体方面表现出色，并解决了YOLOv5的一些限制。

速度（FPS）比较（YOLOv5与YOLOv8）

YOLOv5经过高度优化，非常适用于实时应用，并且其FPS（每秒帧数）非常出色。版本'n'的FPS在其他版本中是最高的，使其成为实时应用的首选。

YOLOv8在CPU上的FPS低于YOLOv5，但仍然适用于实时应用，并且在某些GPU上的FPS高于YOLOv5。YOLOv8的'n'版本适用于嵌入式设备，如Jetson Nano。

结论

如果您需要准确地检测小物体，YOLOv5和YOLOv8都是有效的选择。但是，如果您需要在不支持GPU的设备上部署解决方案，YOLOv5可能更合适。另一方面，如果您注重速度并且可以使用GPU支持，YOLOv8可能是更有价值的选择。总的来说，截止到写作本文的时间，与以前的YOLO变种相比，YOLOv5和YOLOv8都在速度和准确性方面表现出色。

侵权联系删除https://zhuanlan.zhihu.com/p/660988434

如果你想要进一步了解更多的相关知识，可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner，gui设计、simulink仿真......希望能帮到你！