YoloV5和V8的区别

YOLO（You Only Look Once）一直是一种突破性的算法，都是基于 DarkNet-53 模型的现代目标检测器，它们都具有一些共同的特性，如使用锚框来提升检测准确性以及非极大值抑制（NMS）技术来减少误检。YOLO算法自问世以来，已经演化出多个版本，其中最流行的两个版本是YOLOv5和YOLOv8。这两个版本都具有独特的功能和优势，使它们各具特色。

2015年yolo之父Joseph Redmon首次推出yolov1，16年又推出了yolo9000(v2)，并于18年推出yolov3版本，至此yolo真正开始了CV目标检测领域统治之旅。在20年yolo之父因反对在军事领域应用yolo而选择了退出CV界，yolov3也成为了他的封山之作；不过yolo之旅并未完结，在20年4，5月份分别问世的yolov4和 yolov5引发大家关注，虽然yolov4得到了Joseph Redmon的官方认可，但由于ultralytics公司推出的yolov5采用了CSPNet作为Backbone取得了更好的推理速度，加之其选择了易于上手的pytorch框架作为backend，最终坐上目标检测的王座；在此之后的三年，yolo系列的争斗一直在继续，可以说是开启了一场内卷之旅，此后yolov5一直在人们心中占据着主要地位，2023年1月ultralytics再次推出yolov8。

准确率

• YOLOv5 在准确性方面达到了较高的水平，特别是在检测小物体的能力上取得了显著进步，但在之前版本的 YOLO 中是一个较大的挑战，在 COCO 数据集上的平均精度为 50.5%。

• YOLOv8 在准确性方面超越了 YOLOv5，尤其是在 COCO 数据集上的平均精度，YOLOv8s模型在COCO数据集上实现了51.4%的平均精度，而YOLOv8m模型在同一数据集上实现了54.2%的平均精度。其中“n”版本的 YOLOv8 在CPU上提供了相当高的 FPS，而在某些支持 GPU的硬件上可能提供更高的 FPS。YOLOv8 在检测小物体方面也表现出了卓越的性能，并解决了 YOLOv5 的一些局限性。

速度（FPS）

• YOLOv5 针对实时应用进行了高度优化，其 FPS（每秒帧数）非常出色。“n”版本的 FPS 是其他版本中最高的，因此更适合实时应用程序。
• YOLOv8 在 CPU 上的 FPS 比 YOLOv5 低，但对于实时应用程序来说仍然具有不错的 FPS，并且在某些 GPU 上比 YOLOv5 更高的 FPS。YOLOv8 的“n”版本适用于嵌入式设备，即 Jetson Nano。

适用性

• YOLOv5 因其快速性和在小物体检测上的优势，特别适合于实时目标检测任务。
• YOLOv8 由于其在准确率和复杂模型结构上的优势，更适合那些需要较高检测准确性的场合。