yolo v5和yolo v8的对比_yolov5和yolov8性能比较

yolo v5本身是轻量化模型，在保证一定准确性的基础上实现更小更快的模型

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）_Zhijun.li@Studio的博客-CSDN博客

mAP：mean Averge Precision，作为object detection中衡量检测精度的指标。

Recall度量的是「查全率」，所有的正样本是不是都被检测出来了。比如在肿瘤预测场景中，要求模型有更高的recall，不能放过每一个肿瘤。
 Precision度量的是「查准率」，在所有检测出的正样本中是不是实际都为正样本。比如在垃圾邮件判断等场景中，要求有更高的precision，确保放到回收站的都是垃圾邮件。

Recall, Precision, AP, mAP的计算方法(看一次就懂系列)_recall计算_#苦行僧的博客-CSDN博客

 神经网络的计算量(FLOPs)、参数量(Params)、推理时间（FPS）的定义及实现方法_深度学习fps_华科附小第一名的博客-CSDN博客

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