本次实验使用的数据集为cub-200鸟类分类数据集，就目前博主最近的实验结果来看（工程角度），X模型训练中呈现出的精确度和召回率基本一致，但收敛速度大相径庭，可以看出v8 100轮就能呈现出一个很好的效果，快了将近一半时间： 200类 train19 yolov8x模型 100轮

200类 train19 yolov5x 200轮 x和l博主进行了多次实验，测试了三种数据集分别为cub-200，ap10k动物目标检测，fish分类检测,效果与以上展示的结果契合,v8的优势就是训练速度更快，更容易收敛。

论文图中真正碾压v5的是n和s模型，追求推理速度和FPS的同时也能有高精度

200类 yolov8n，可以看到n模型的精度几乎没有下降，在部署时推理速度极佳

v5的目录结构简单，麻雀虽小五脏俱全,训练，检测，导出工程部署模型上手快，开发文档多，前人都把坑踩得差不多了，如果不是特殊需求例如追求极致的FPS或者精度，只需要跟着教程走，百度一下就能满足开发要求。

在部署RKNN给出的demo，边缘端部署YOLO，给出了v5版本，博主在部署时量化后达到了150+FPS。 有现成的开发文档，弱鸡必备！

GitHub也有许多Flask的部署方法，但是大多都是老旧版本的v5，可能会报错，结合新版本更改一下文件和方法就能实现部署。博主在web部署v5x模型时也有25+的FPS，大致能实现实时检测。

如果你只想实现功能，不妨多用一下v5

v8相比于原始v5，一口气更新了分类，分割，检测，关键点四种任务，几乎能适用所有视觉方向的开发，并且封装的很好，训练与v5略有不同 就实验结果来看，v8超快的训练速度，v5是比不了的，英语不好外国论坛上的帖子很少去看，等国内大佬吧。。

V8目前博主正在尝试部署jetson nano端的边缘设备，GitHub也给出了YOLOv8-TensorRT 的文件，国产芯片的Git没有更新最新款的demo，部署效果待更新。。。