Modellvergleich: YOLOv5 vs. YOLOv6-3.0 für die Objekterkennung
Die Wahl des optimalen Objekterkennungsmodells ist entscheidend für erfolgreiche Bildverarbeitungsanwendungen. Sowohl Ultralytics YOLOv5 als auch Meituan YOLOv6-3.0 sind beliebte Modelle, die für ihre Effizienz und Genauigkeit bekannt sind. Auf dieser Seite finden Sie einen technischen Vergleich, der Ihnen bei der Entscheidung helfen soll, welches Modell am besten für Ihre Projektanforderungen geeignet ist. Wir gehen auf ihre architektonischen Feinheiten, Leistungsbenchmarks, Schulungsansätze und geeigneten Anwendungen ein.
Ultralytics YOLOv5
YOLOv5 ist ein einstufiges Objekterkennungsmodell, das für seine Geschwindigkeit und Anpassungsfähigkeit bekannt ist. YOLOv5 wurde von Ultralytics entwickelt und erstmals am 26. Juni 2020 veröffentlicht. Es verfügt über eine flexible Architektur, die eine einfache Skalierung und Anpassung ermöglicht. Seine Architektur nutzt Komponenten wie CSPBottleneck und konzentriert sich auf eine optimierte Inferenzgeschwindigkeit, wobei ein Gleichgewicht mit der Genauigkeit gewahrt bleibt.
- Die Autoren: Glenn Jocher
- Organisation: Ultralytics
- Datum: 26.06.2020
- GitHub: YOLOv5 GitHub Repository
- Dokumentation: YOLOv5
YOLOv5 bietet eine Reihe von Modellgrößen (n, s, m, l, x), die jeweils für unterschiedliche Leistungsanforderungen ausgelegt sind. Kleinere Modelle wie YOLOv5n sind aufgrund ihrer kompakten Größe und schnellen Inferenz ideal für Randgeräte, während größere Modelle wie YOLOv5x eine höhere Genauigkeit für anspruchsvollere Aufgaben bieten. YOLOv5 ist aufgrund seiner Geschwindigkeit und Effizienz besonders stark bei Anwendungen, die eine Objekterkennung in Echtzeit erfordern.
Die Stärken von YOLOv5:
- Geschwindigkeit: YOLOv5 zeichnet sich durch seine hohe Inferenzgeschwindigkeit aus und ist daher für Echtzeitanwendungen geeignet.
- Flexibel: Seine Architektur ist in hohem Maße anpassbar und skalierbar.
- Unterstützung durch die Gemeinschaft: Unterstützt von einer großen und aktiven Gemeinschaft, die umfangreiche Ressourcen und Unterstützung bietet.
- Benutzerfreundlichkeit: Einfache Arbeitsabläufe für Schulung, Validierung und Bereitstellung, verbessert durch Ultralytics HUB.
Schwachstellen von YOLOv5:
- Genauigkeit: Obwohl sie genau sind, können größere YOLOv6-3.0-Modelle in einigen Benchmarks etwas bessere mAP-Werte erzielen.
Meituan YOLOv6-3.0
YOLOv6-3.0, das von Meituan entwickelt und im Januar 2023 eingeführt wurde, stellt eine Weiterentwicklung der YOLO dar und konzentriert sich auf verbesserte Genauigkeit und Geschwindigkeit. Während spezifische architektonische Details am besten in den offiziellen YOLOv6-Ressourcen zu finden sind, enthält es Innovationen wie das Bi-direktionale Verkettungsmodul (BiC) und die Anchor-Aided-Training-Strategie (AAT). Diese Verbesserungen zielen darauf ab, die Merkmalsextraktion und die Erkennungspräzision zu steigern, ohne die Geschwindigkeit wesentlich zu verringern.
- Die Autoren: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, und Xiangxiang Chu
- Organisation: Meituan
- Datum: 2023-01-13
- arXiv: YOLOv6 v3.0: Ein maßstabsgetreues Reloading
- GitHub: YOLOv6 GitHub Repository
- Dokumentation: YOLOv6-Dokumente
YOLOv6-3.0 bietet außerdem Modelle in verschiedenen Größen (n, s, m, l), um ein Gleichgewicht zwischen Leistung und Rechenressourcen herzustellen. Benchmarks zeigen, dass YOLOv6-3.0-Modelle im Vergleich zu ähnlich großen YOLOv5 konkurrenzfähige oder überlegene mAP erzielen können, insbesondere in größeren Konfigurationen, was auf eine verbesserte Genauigkeit bei Objekterkennungsaufgaben schließen lässt.
Erfahren Sie mehr über YOLOv6-3.0
Die Stärken von YOLOv6-3.0:
- Genauigkeit: Bietet im Allgemeinen eine wettbewerbsfähige oder bessere mAP, insbesondere bei größeren Modellen.
- Inferenz-Geschwindigkeit: Erzielt schnelle Inferenzgeschwindigkeiten, geeignet für die Objekterkennung in Echtzeit.
- Architektonische Innovationen: Integriertes BiC-Modul und AAT zur Leistungssteigerung.
Schwachstellen von YOLOv6-3.0:
- Gemeinschaft und Ressourcen: Es ist zwar effektiv, hat aber im Vergleich zu YOLOv5 möglicherweise nicht die umfassende Unterstützung der Gemeinschaft und die leicht verfügbaren Ressourcen.
- Integration: Die direkte Integration mit Ultralytics HUB und den zugehörigen Tools ist möglicherweise weniger nahtlos als bei den nativen Ultralytics .
Leistungsvergleichstabelle
| Modell | Größe(Pixel) | mAPval50-95 | GeschwindigkeitCPU ONNX(ms) | GeschwindigkeitT4TensorRT10(ms) | params(M) | FLOPs(B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Schlussfolgerung
Sowohl YOLOv5 als auch YOLOv6-3.0 sind robuste Objekterkennungsmodelle, die jeweils einzigartige Stärken aufweisen. YOLOv5 ist nach wie vor ein äußerst vielseitiges und schnelles Modell, das von der umfangreichen Unterstützung der Community und der nahtlosen Integration in das Ultralytics profitiert. Es ist eine ausgezeichnete Wahl für eine breite Palette von Echtzeitanwendungen. YOLOv6-3.0 bietet eine überzeugende Alternative für Projekte, bei denen eine höhere Genauigkeit im Vordergrund steht, ohne dass die Geschwindigkeit der Schlussfolgerungen darunter leidet. Seine architektonischen Verbesserungen bieten in bestimmten Szenarien einen Leistungsvorteil.
Benutzer, die modernste Modelle suchen, sollten die neueren Ultralytics wie YOLOv8, YOLOv9, YOLOv10 und YOLO11. Für spezielle Anwendungen sind Modelle wie YOLO und RT-DETR einzigartige Vorteile bieten, während FastSAM effiziente Segmentierungsmöglichkeiten bietet.
Weitere Einzelheiten und eine breitere Palette von Modellen finden Sie in der Ultralytics .
