YOLOX vs. YOLOv10#

Die Entwicklung von Echtzeitmodellen für Computer Vision war von bedeutenden architektonischen Sprüngen geprägt. Zwei wichtige Meilensteine auf diesem Weg sind YOLOX und YOLOv10. YOLOX wurde 2021 veröffentlicht und überbrückte erfolgreich die Lücke zwischen akademischer Forschung und industrieller Anwendung, indem es ein äußerst effektives anchor-freies Design einführte. Drei Jahre später revolutionierte YOLOv10 das Feld, indem es die Notwendigkeit der Unterdrückung nicht maximaler Werte (NMS) bei der Nachverarbeitung beseitigte und damit die Grenzen von Effizienz und Geschwindigkeit verschob.

Dieser umfassende technische Vergleich untersucht die Architekturen, Leistungskennzahlen und idealen Einsatzmöglichkeiten beider Modelle und liefert dir Erkenntnisse, die dir bei der Auswahl des richtigen Werkzeugs für dein nächstes Projekt zur Objekterkennung helfen.

Ursprung und Metadaten der Modelle#

Wenn du die Ursprünge dieser Modelle kennst, kannst du ihre architektonischen Entscheidungen und vorgesehenen Einsatzumgebungen besser einordnen.

YOLOX-Details

• Autoren: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li und Jian Sun
• Organisation: Megvii
• Datum: 18.07.2021
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Dokumentation: https://github.com/Megvii-BaseDetection/YOLOX/tree/main/docs

Erfahre mehr über YOLOX

YOLOv10-Details

• Autoren: Ao Wang, Hui Chen, Lihao Liu, Kai Chen, Zijia Lin, Jungong Han und Guiguang Ding
• Organisation: Tsinghua University
• Datum: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: https://github.com/THU-MIG/yolov10
• Dokumentation: https://docs.ultralytics.com/models/yolov10

Erfahre mehr über YOLOv10

Architektonische Innovationen#

Die wesentlichen Unterschiede zwischen YOLOX und YOLOv10 liegen in der Verarbeitung von Bounding-Box-Vorhersagen und der Nachverarbeitung.

YOLOX: Wegweisendes anchor-freies Design#

YOLOX sorgte für Aufsehen, indem es die YOLO-Familie auf eine anchor-freie Architektur umstellte. Durch die Vorhersage des Mittelpunkts eines Objekts statt der Verwendung vordefinierter Ankerboxen reduzierte YOLOX die Anzahl der erforderlichen Entwurfsparameter und heuristischen Abstimmungen für benutzerdefinierte Datensätze drastisch. Außerdem führte es einen entkoppelten Kopf ein, der Klassifizierungs- und Regressionsaufgaben in getrennte Pfade aufteilt. Dieser Ansatz löste den Konflikt zwischen der Bestimmung, was ein Objekt ist, und der Bestimmung, wo es sich befindet, was zu einer spürbaren Steigerung der Konvergenzgeschwindigkeit und Präzision führte.

YOLOv10: Die NMS-freie Revolution#

Obwohl YOLOX den Erkennungskopf vereinfachte, war es weiterhin auf NMS angewiesen, um redundante Bounding-Box-Vorhersagen herauszufiltern. YOLOv10 nahm sich dieses grundlegenden Engpasses an. Durch die Verwendung konsistenter dualer Zuordnungen während des Trainings erreicht YOLOv10 eine native End-to-End-Erkennung. Während des Trainings verwendet es einen One-to-Many-Kopf, um umfangreiche Lernsignale sicherzustellen, und bei der Inferenz einen One-to-One-Kopf, der die endgültigen Vorhersagen direkt ausgibt. Dieses ganzheitliche, auf Effizienz und Genauigkeit ausgerichtete Design beseitigt NMS vollständig und reduziert die Inferenzlatenz auf eingebetteten Chips deutlich.

Leistungskennzahlen und Vergleich#

Bei der Bewertung von Modellen für den Produktionseinsatz ist es entscheidend, Genauigkeit und Rechenaufwand ausgewogen abzuwägen. Die folgende Tabelle veranschaulicht die Kompromisse zwischen verschiedenen Größen von YOLOX und YOLOv10.

Analyse der Daten#

Die Kennzahlen zeigen deutlich den Generationssprung von YOLOv10. So erreicht YOLOv10-S beispielsweise eine mittlere durchschnittliche Präzision von 46,7 % gegenüber 46,9 % bei YOLOX-m, benötigt dafür aber weniger als ein Drittel der Parameter (7,2 M gegenüber 25,3 M) und deutlich weniger FLOPs. Darüber hinaus steigert das Spitzenmodell YOLOv10-X die mAP auf 54,4 % und ist damit für anspruchsvolle Genauigkeitsaufgaben äußerst konkurrenzfähig, während es schneller bleibt als die ältere YOLOX-x-Architektur.

Der Ökosystemvorteil von Ultralytics#

YOLOX bleibt zwar eine robuste Open-Source-Implementierung für Forschungszwecke, mit YOLOv10 erhältst du jedoch sofort Zugang zum gut gepflegten Ökosystem von Ultralytics. Die Wahl eines von Ultralytics unterstützten Modells sorgt für eine optimierte Nutzung mit einer einfachen API und umfassender Dokumentation.

Entwickler profitieren in hohem Maß vom geringen Speicherbedarf des Frameworks: Das Training von Ultralytics-Modellen benötigt typischerweise deutlich weniger CUDA-Speicher als aufwendige Transformer-basierte Alternativen wie RT-DETR. Dieser effiziente Speicherbedarf beim Training ermöglicht größere Batchgrößen auf Hardware für Endanwender und verkürzt die Zeit von der Datenerfassung bis zur Bereitstellung des Modells. Darüber hinaus bietet das Framework eine unübertroffene Vielseitigkeit und ermöglicht den nahtlosen Wechsel zwischen Objekterkennung, Instanzsegmentierung und Posenschätzung mit minimalen Codeänderungen.

Beispiel für Training und Inferenz#

Die vereinheitlichte API macht die Validierung von Ideen unglaublich schnell. Das folgende Codebeispiel zeigt, wie einfach du ein YOLOv10-Modell mit dem PyTorch-Backend trainieren und bereitstellen kannst:

from ultralytics import YOLO

# Load a pre-trained YOLOv10 nano model
model = YOLO("yolov10n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a sample image
predictions = model.predict("https://ultralytics.com/images/bus.jpg")

# Export the model for edge deployment
model.export(format="engine", quantize=16)

Dank der integrierten Exportroutinen erfordert die Konvertierung von Modellen in Formate wie TensorRT oder ONNX nur eine einzige Codezeile und umgeht aufwendige Kompilierungshürden vollständig.

Ideale Anwendungsfälle und Bereitstellungsszenarien#

Welche dieser Architekturen die richtige ist, hängt weitgehend von deinen Hardwarebeschränkungen und den spezifischen Anforderungen deines Anwendungsbereichs ab.

Echtzeit-Videoanalyse#

Für Anwendungen mit extrem niedriger Latenz, etwa autonomes Fahren oder Verkehrsüberwachung in Echtzeit, ist YOLOv10 die bessere Wahl. Sein End-to-End-Design ohne NMS gewährleistet deterministische Ausführungszeiten, was für Sicherheitssysteme entscheidend ist, in denen keine variierende Latenz bei der Nachverarbeitung toleriert werden kann. Die Modelle erreichen auf Geräten wie der NVIDIA-Jetson-Serie problemlos hohe Bildraten.

Akademische Baselines und Edge-Mikrocontroller#

YOLOX ist in akademischen Umgebungen weiterhin nützlich, wenn Forschende eine klare Baseline mit entkoppeltem Kopf für Experimente mit Strategien zur Labelzuordnung benötigen. Außerdem kann der außergewöhnlich kleine YOLOX-Nano mit weniger als 1 Million Parametern auf stark eingeschränkten Edge-Mikrocontrollern eingesetzt werden, bei denen der Speicher in Kilobyte gemessen wird, sofern die Hardware standardmäßige Faltungsoperationen unterstützt.

Der ultimative Standard: Ultralytics YOLO26#

Während YOLOv10 mit der Entfernung von NMS einen enormen Sprung markierte, entwickelt sich das Feld der Computer Vision rasant weiter. Entwicklern, die heute eine erstklassige Leistung implementieren möchten, empfehlen wir ausdrücklich, YOLO26 zu testen.

Als neuester Standard für Vision-KI veröffentlicht, greift YOLO26 die grundlegenden Ideen seiner Vorgänger auf und verstärkt sie. Es bietet die ultimative Ausgewogenheit zwischen Leistung und unterstützt nativ Erkennung, Segmentierung, Posenschätzung und orientierte Bounding-Boxen.

Deshalb ist YOLO26 die empfohlene Wahl für moderne Computer-Vision-Pipelines:

• End-to-End-Design ohne NMS: Aufbauend auf den Durchbrüchen von YOLOv10 ist YOLO26 nativ End-to-End-fähig und garantiert schnellere, deterministische Inferenzzeiten ohne Engpässe bei der Nachverarbeitung.
• Bis zu 43 % schnellere CPU-Inferenz: Das Modell ist speziell für Edge Computing optimiert und gewährleistet außergewöhnliche Leistung auf mobilen Prozessoren und Geräten ohne separate GPUs.
• MuSGD-Optimierer: Inspiriert vom Training großer Sprachmodelle (insbesondere von Kimi K2 von Moonshot AI) verwendet YOLO26 eine Kombination aus SGD und Muon für äußerst stabiles Training und schnelle Konvergenz.
• ProgLoss + STAL: Diese fortschrittlichen Verlustfunktionen liefern spürbare Verbesserungen bei der Erkennung kleiner Objekte, was für anspruchsvolle Bereiche wie Luftaufnahmen und Drohnennavigation entscheidend ist.
• Entfernung von DFL: Durch die Entfernung von Distribution Focal Loss vereinfacht YOLO26 den Modellgraphen und ermöglicht einen reibungslosen Export auf Edge-Geräte und Geräte mit geringem Energieverbrauch.
• Aufgabenspezifische Verbesserungen: Unabhängig davon, ob du Residual Log-Likelihood Estimation (RLE) für die Posenschätzung oder einen spezialisierten Winkelfehler für OBB verwendest, ist YOLO26 für jede wichtige Vision-Aufgabe feinabgestimmt.

Für Entwickler, die ihre Pipelines mit den effizientesten verfügbaren Werkzeugen für Training und Bereitstellung modernisieren möchten, garantiert der Wechsel zur Ultralytics Platform und die Nutzung von YOLO26, dass du stets auf dem neuesten Stand der künstlichen Intelligenz bleibst. Nutzer, die sich für ältere, aber stabile Architekturen interessieren, können auch YOLO11 oder YOLOv8 für umfassende Unterstützung durch die Community und bewährte Robustheit in Betracht ziehen.