【要闻】YOLOv5是真的吗？并不比YOLOv4强，不配这个名字

本篇文章4431字，读完约11分钟

yolov4发布后不到两个月，yolov5这个目标检测框架就出生在横向空，你真的有资格继承yolo的名字，继承社区认可的版本号吗？ 工程师ritesh kanjee最近在medium上从事实和社区的角度给出了否定的答案，批评了这种“欺诈名”的行为。

年4月23日，yolov4发布了……

年6月10日，yolov5又来了……

厉害吗？ 这不是说明我们的研究和技术正在迅速发展吗？ 最终，这个受欢迎的目标检测框架的下一代v4版本刚刚上市，下一代v5版本诞生在横向空。 yolov5真的很厉害吗？ 还是只是个噱头？ 本文尽量客观地研究其中一个相关证据，看看yolov5到底名副其实地正确与否。

来源: github/ultralytics/yolov5

首先简单介绍yolo。 yolo是实时目标检测框架，意味着you only look once (只看一次)。 也就是说，检测对象的图像只通过一次全卷积神经网络( fcnn )。 为了篇幅方便，本文不介绍yolo的技术细节。 有兴趣的网民，来了机械中心的副本“教程|单段式目标检测方法概要: yolo和ssd”和“yolo v4”。 连接者出现了，速度效果提高了”。

事情回顾

是的，我要回yolov5。 ultralytics的创始人兼ceo glenn jocher在github上宣布了yolov5的开源安装。 根据ultralytics的github页面，这是当前已知的所有yolo实现中当前的最佳( sota )。

项目地址: github/ultralytics/yolov5

他们发表的结果是，yolov5的表现优于Google开源的目标检测框架efficientdet，但本文的作者ritesh kanjee是否不确定yolov5的开发者与yolov4进行比较呢？ 相比之下，yolov4的基准结果是50 fps得到的，请参见blog.robo flow.ai/yolo V5-is-herestate-of-the-art

来源: blog.robo flow.ai/yolo V5-is-here /

不仅如此，据说“yolov5的大小只有27 mb”。 》:采用darknet体系结构的yolov4为244 mb。 这说明yolov5真的很小，比yolov4小近90%。 这太疯狂了！

精度指标中“yolov5相当于yolov4”。

总结起来，因为yolov5声称自己的速度非常快，具有非常轻的型号尺寸，在精度方面相当于yolov4标准。

想想看。 如果playstation和xbox推出了与以前的游戏机具有同样图形性能的新游戏机，则加载时间快，体积小。 这可以说是新一代游戏机吗？ 像ps4 slim和xbox one s等，只是现代游戏机的轻量版本吧？

问题

那么就发生问题了。

你能主张开源技术是自己的吗？ 还是不是第一个创立者？ 这一定有争议。 使用相同的框架进行一些更改。 这样可以采用这个企业品牌并写入自己的版本号吗？ yolo v5是这种情况。 这几乎取决于框架的原始作者。

你可能听说yolo的原始创始人joseph redmon于去年2月宣布退出计算机视觉研究行业。 因为他认为自己的智力成果yolo带来了一些不好的社会影响。 他说:

“我爱自己的作品，但不能忽视在军事行业的应用和对隐私的风险。 "。

redmon与ali faradi合作，为yolo重复了3代版本。

之后不久的一年4月，yolov4诞生了，但原始作者没有人参加，开发小组成为了bochkovskiy et. al .。 这篇论文发表了，经过同行评议，其github代码进入alexeyab/darknet代码库，一切看起来都很顺利，而且由此进行的技术升级也很棒，得到了计算机视觉社区的接受和同意 这是否意味着如果bochkovskiy et. al .可以这样操作，其他任何人都可以根据yolo框架稍微改进，主张新一代的版本？ 这正是实际发生的事件。

ultralytics的创始人兼ceo glenn jocher像扔炸弹一样释放了yolov5。 所以会有疑问吧。 这个yolov5不够吗？ 还是噱头还是诈骗？ 不要急于下结论，分解事实证据吧。

证据

首先，在本论文撰写时，ultralytics证明没有发表经过同行评议的yolov5论文。 这证明了一些事情。 他们没有节操。

是的，写论文需要时间。 而且，ultralytics是公司啊。 不是研究机构。 但是，在论文还没有出版的情况下，我们能信任这个实现吗？ bochkovskiy et. al .在发表yolov4时，不仅发表了明亮的结果，还发表了论文。

社区的反应

接下来，我们来看看相关社区对这种所谓的“下一代”模式的反应，以查明yolov5是否足够。 这包括他们的分解和判断。 我去谷歌调查了yolov5的相关问题，找到了kaggle等新闻来源。

来源: ka ggle/c/global-wheat-detection/discussion/158371

您可以看到来自客户mr. hurtik的评论。

“yolov5其实是yolov3改了名字。 图表看起来不错，但很迷惑人。 》然后提供了yolov4作者alexeyab的代码库链接: Github/Alexey AB/Darknet/ISSUE/5920。

这个github页面(现在关闭)有两个链接声称yolov5已经登场。 这两个链接分别指向ultralytics yolov5代码库和上述roboflow博客。 另一个链接是y-combinator对上述两个新闻来源的讨论。 news.ycombinator/item？ id=23478151

阅读里面的社区讨论，很多人对yolov5持怀疑态度，也有指责“bullshit”的发言。 yolov5完全没有进行与yolov4同等条件下的研究，换言之，据说想进行世代交替，但也没有进行基本的比较。

客户anthiras说他不相信roboflow的yolov5复印件。 小90%的模型可以提供接近的精度，所以不可能。 yolov5代码库本身显示了相当于yolov4的性能。

joshvm说:“我想yolov5没有发出有消息的证书。 顺便说一下，如果你以前见过什么问题，你会发现alexeyab的分支基本上处理了这些问题。 这是因为有版本冲突。 ultralytics可能原本打算命名为yolov4。 这个软件库已经开发出来了。 "。

bochkovskiy的判断

回到alexeyab的github讨论，roboflow.ai博客的比较结果无效时，会看到alexey的评论。 继续说明延迟不应该用32的批量测量，而应该采用等于1的批量。 因此，延迟是完整的数据解决周期的时间，必须少于解决整个数据批的时间，根据批大小，最多可能需要一秒钟。 批处理大小越大，延迟就越大。

在yolov5主张小( 27mb )方面，alexey继续反驳:

他们比较了microsoft coco中26-36% ap精度非常低的ultralytics版小yolov5 (27 mb )和microsoft coco中41-43% ap精度非常高的yolov4(245mb )。

在速度方面，yolov5宣布将达到140 fps。 alexey先生也同样说:

“他们将非常小、精度非常低的ultralytics-yolov5与非常准确、非常大的yolov4的速度进行了比较。 他们不提供比较的大部分重要细节。 你采用的是yolov5的哪个版本呢？ s\l\x？ 你采用了什么样的训练和测试计划？ yolov4和ultralytics-yolov5采用了多少测试批大小？ 他们没有在公认的microsoft coco数据集上使用同等的设置进行测试，没有在microsoft coco codalab的判断服务器上进行测试，因此可以减少人为操作实验结果的可能性 "。

因此，ultralytics这种所谓的yolov5的实现看起来不好。 但是看问题要全面，不要只说一方的看法。 看看ultralytics的glenn jocher和roboflow.ai的人是怎么说的。

响应。

现在我们听到社区的责备声，你可能觉得yolov5确实可疑，不可靠……但不要匆忙下结论。 在那之前看看被告的反驳证词。

ultralytics的glenn jocher在关于yolov5的发表和命名问题上写了短文回应: Github/Ultralytics/Yolo V5/ISSUES/2。 他的答案的核心是他们写论文展示他们的结果和训练方法，但他们的资源非常有限，为了保证商业稳定必须保持收支平衡。 确实，这个时间很辛苦，有些企业只能发售测试版的产品……嗯，那是真的吧。

他继续谈论他们的模型，说yolov5的实现不是静态的，现在也没有完全完成。 虽然没有发布任何未完成的模型，但是yolov5声称比yolov4更好。 这是理所当然的。 他必须弄清楚这个项目还在开发中。 另外，除了在基于代码的副本中明确以外，在比较、判断、代码等方面也必须明确。 另外，你不应该在yolov后面加5。 这意味着比上一代更好，所以容易混乱。

保留和遵守命名规则其实非常重要。 glenn说yolov5是这个事业的内部命名代码，这里采用的名字对他们来说不重要……嗯，把yolov5采用为内部命名其实没什么。 毕竟，你怎么命名都行。 项目XYZ、yolo、kolo、polo、zolo……随便选。 但是你发布项目的时候，命名不能随心所欲。 应该直观易懂。 你应该符合实际。 加上v5你不应该撒谎让我相信你是现在yolo模式的sota。

关于roboflow，没有必要批评yolov5的事件，但他们相信这是真的吗，太天真了。 他们建议下次判断模型时做一点工作，用合适的方法应对模型。 之后，他们在博客上写道“应对yolov5相关争论”: blog.robo flow.ai/yolo v4-versus-yolo V5。 这个复印件长期以来他们在文章中承认了自己的错误，全面重新比较了yolov4和yolov5，其结果已经在前面讨论过了。

另外，他们必须拆除宣传那个yolov5的复印件“yolov5来了: 140 fps现在的最高目标检测器”，至少应该改变标题，说出ultralytics这个模型实现的真相。

总结一下

基于以上事实，我们发现yolov4依然是yolo进化之路的sota。 虽然可以根据别人的研究成果进一步开发(当然在合理的许可下)，但是采用yolov5作为型号名的方法对计算机视觉社区是没有帮助的。

yolov5比yolov4差，不是官方的。 来自karol majek