YOLOv7和YOLOv5是两个性能非常优秀且基于YOLO系列设计的目标检测神经网络。
相比于YOLOv5，YOLOv7的最大改进在于检测精度和速度上的提升。YOLOv7使用了比YOLOv5更深的网络结构，并采用方法来减少特征层中信息的损失。同时，YOLOv7增加了更多的先进技术，如空洞卷积、通道注意力机制、多尺度训练和测试等，从而显著提升了其检测精度。
然而，YOLOv7的速度不如YOLOv5，这是由于模型变得更大、复杂度更高所致。与此相比，YOLOv5虽然在检测精度上稍逊一筹，但它的速度非常快，适用于实时应用场景。此外，YOLOv5降低了YOLOv4中的计算开销，并引入了Swish激活函数和CSP架构等新技术，提升了检测速度和精度。
综上所述，YOLOv7对于一些需要较高精度的任务是非常有用的，而YOLOv5则更适合需要实时性反应快的场景。
以下是YOLOv5运行的最低电脑配置要求：
CPU：Intel Core i5或更高版本
GPU：NVIDIA GeForce GTX 1060或更高版本
内存：8GB或更高版本
操作系统：Windows 10或Ubuntu 18.04或更高版本
Python版本：3.8或更高版本
PyTorch版本：1.7或更高版本
需要注意的是，YOLOv5的运行速度和检测精度与计算资源有很大关系，如果您的电脑配置较低，可能会导致运行速度较慢或者检测精度不高。因此，建议在运行YOLOv5之前，先对电脑进行升级或者优化，以提高算法的运行效率和准确性。
Yolov8的训练确实会受不同显卡的影响，主要表现在训练速度和可用的批量大小上。通常来说，拥有更高显卡性能的计算机能够获得更快的训练速度和更大的批量大小，从而加速模型的训练和优化。但是，不同显卡之间的差异并不是绝对的，可能会因为使用的算法、数据集或其他因素而有所不同。因此，对于使用Yolov8进行实际应用的人员，需要根据自己的实际情况和要求选择适合自己的显卡配置，以获得最佳的训练效果和可靠性。