YOLOv8 vs. YOLO: Detaillierter technischer Vergleich
Die Wahl des richtigen Objekterkennungsmodells ist für Computer-Vision-Projekte entscheidend. Diese Seite bietet einen technischen Vergleich zwischen Ultralytics YOLOv8 und YOLO, zwei Modellen, die dem neuesten Stand der Technik entsprechen, und analysiert ihre Architekturen, Leistungen und Anwendungen.
Ultralytics YOLOv8
Ultralytics YOLOv8 ist die neueste Version der YOLO , die für ihre Ausgewogenheit von Geschwindigkeit und Genauigkeit bei der Objekterkennung und anderen Bildverarbeitungsaufgaben wie Instanzsegmentierung und Posenschätzung bekannt ist. YOLOv8 wurde von Glenn Jocher, Ayush Chaurasia und Jing Qiu von Ultralytics entwickelt und am 2023-01-10 veröffentlicht. Es baut auf früheren YOLO auf, wobei die Architektur verbessert und der Schwerpunkt auf die Benutzerfreundlichkeit gelegt wurde. Die Dokumentation betont die Benutzerfreundlichkeit und Vielseitigkeit, so dass es für eine breite Palette von Anwendungen und Benutzern, vom Anfänger bis zum Experten, geeignet ist.
Stärken:
- Leistung: YOLOv8 erreicht mAP auf dem neuesten Stand der Technik und erzielt dabei beeindruckende Inferenzgeschwindigkeiten. Es bietet verschiedene Modellgrößen (n, s, m, l, x), um unterschiedlichen Berechnungsanforderungen gerecht zu werden.
- Vielseitigkeit: Über die Objekterkennung hinaus unterstützt YOLOv8 mehrere Bildverarbeitungsaufgaben, einschließlich Segmentierung, Klassifizierung und Posenschätzung, und bietet damit eine einheitliche Lösung für verschiedene Computer-Vision-Anforderungen.
- Benutzerfreundlichkeit: Ultralytics bietet umfassende Dokumentation und Tools, die die Schulung, den Einsatz und die Integration mit Plattformen wie Ultralytics HUB vereinfachen.
- Unterstützung durch die Gemeinschaft: Eine große und aktive Open-Source-Gemeinschaft sorgt für kontinuierliche Verbesserungen und breite Unterstützung.
Schwachstellen:
- Ressourcenintensiv: Größere YOLOv8 erfordern erhebliche Rechenressourcen für Training und Inferenz.
- Optimierungsbedarf: Bei extrem ressourcenbeschränkten Geräten sind möglicherweise weitere Optimierungen wie Modellbeschneidungen erforderlich.
Anwendungsfälle:
Dank seiner Vielseitigkeit eignet sich YOLOv8 für ein breites Spektrum von Anwendungen, von der Echtzeit-Videoanalyse in Sicherheitssystemen und intelligenten Städten bis hin zu komplexen Aufgaben im Gesundheitswesen und in der Fertigung. Dank seiner Benutzerfreundlichkeit eignet er sich auch hervorragend für das Rapid Prototyping und die Entwicklung.
DAMO-YOLO
YOLO ist ein Objekterkennungsmodell, das von der Alibaba Group entwickelt und in einem am 23.11.2022 auf ArXiv veröffentlichten Papier vorgestellt wurde. YOLO wurde von Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang und Xiuyu Sun verfasst und konzentriert sich auf die Entwicklung eines schnellen und genauen Detektors durch den Einsatz innovativer Techniken. Dazu gehören NAS-basierte Backbones, ein effizientes RepGFPN und ein ZeroHead, sowie fortschrittliche Trainingsstrategien wie AlignedOTA und Destillationsverbesserung. Die offizielle Dokumentation und das GitHub-Repository enthalten Details zur Architektur und Implementierung.
Stärken:
- Hohe Genauigkeit: YOLO ist auf hohe Genauigkeit ausgelegt und erreicht konkurrenzfähige mAP-Werte, insbesondere in Szenarien, die eine präzise Objekterkennung erfordern.
- Effizientes Design: Architektonische Innovationen wie der ZeroHead tragen zu einem schlanken Modell bei, das Genauigkeit und Recheneffizienz in Einklang bringt.
- Fortschrittliche Techniken: Enthält hochmoderne Techniken wie Neural Architecture Search (NAS) für das Backbone-Design und AlignedOTA für optimiertes Training.
Schwachstellen:
- Begrenzte Vielseitigkeit der Aufgaben: Hauptsächlich auf die Objekterkennung ausgerichtet, ohne die Multitasking-Fähigkeiten von YOLOv8.
- Dokumentation und Gemeinschaft: Im Vergleich zu YOLOv8 hat YOLO möglicherweise eine kleinere Community und eine weniger umfangreiche Dokumentation, was für neue Nutzer oder solche, die eine breite Unterstützung suchen, eine Herausforderung darstellen kann.
- Inferenzgeschwindigkeit: Obwohl effizient, sind direkte Geschwindigkeitsvergleiche mit YOLOv8 bei Standard-Benchmarks weniger leicht verfügbar, und die Geschwindigkeit kann je nach spezifischer Implementierung und Hardware variieren.
Anwendungsfälle:
YOLO eignet sich hervorragend für Anwendungen, bei denen es auf eine hohe Erkennungsgenauigkeit ankommt, wie z. B. beim autonomen Fahren, bei hochpräzisen industriellen Inspektionen und bei modernen Videoüberwachungssystemen. Sein Fokus auf Genauigkeit und Effizienz macht ihn zu einem starken Konkurrenten für Szenarien, in denen eine detaillierte und zuverlässige Objekterkennung entscheidend ist.
Leistungsvergleichstabelle
| Modell | Größe (Pixel) |
mAPval 50-95 |
Geschwindigkeit CPU ONNX (ms) |
Geschwindigkeit T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
Schlussfolgerung
Sowohl YOLOv8 als auch YOLO sind leistungsstarke Modelle zur Objekterkennung. YOLOv8 zeichnet sich durch seine Vielseitigkeit, seine Benutzerfreundlichkeit und seine starke Gemeinschaft aus und eignet sich daher für eine Vielzahl von Aufgaben und Entwicklungsszenarien. YOLO zeichnet sich durch seine Genauigkeit und sein effizientes Design aus, was es zu einer guten Wahl für Anwendungen macht, die eine präzise Objekterkennung erfordern. Anwender, die an anderen Modellen interessiert sind, könnten je nach ihren spezifischen Bedürfnissen und Prioritäten auch YOLOv7, YOLOv9 oder YOLOX in Betracht ziehen.
