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）

0.引言

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@2.6GHz
• GPU：Tesla P40 24G*4
• 内存：64G

（2）软件配置

• Ubuntu18.04
• cuda11.3
• pytorch:1.11.0
• torchvision:0.12.0

2.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: 42962
• arvalis_2: 4022
• arvalis_3: 15715
• rres_1: 19077
• ethz_1: 48606
• usask_1: 5605
• inrae_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。

4.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