Modellvergleich: YOLOX vs. YOLOv8 zur Objekterkennung
Die Wahl des richtigen Objekterkennungsmodells ist entscheidend für das Gleichgewicht zwischen Genauigkeit, Geschwindigkeit und Rechenressourcen bei Computer-Vision-Anwendungen. Diese Seite bietet einen technischen Vergleich zwischen YOLOX, entwickelt von Megvii, und Ultralytics YOLOv8, beides hochmoderne Modelle, die für ihre Objekterkennungsfähigkeiten bekannt sind. Wir analysieren ihre architektonischen Entscheidungen, Leistungs-Benchmarks und ihre Eignung für verschiedene Anwendungsfälle, um Sie bei der Modellauswahl zu unterstützen.
| Modell | Größe (Pixel) |
mAPval 50-95 |
Geschwindigkeit CPU ONNX (ms) |
Geschwindigkeit T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
YOLOX: Leistungsstarke ankerfreie Detektion
YOLOX, vorgestellt von Megvii im Juli 2021(arXiv), ist ein verankerungsfreies Objekterkennungsmodell, das die YOLO vereinfachen und gleichzeitig die Leistung verbessern soll. Es wurde von Zheng Ge, Songtao Liu, Feng Wang, Zeming Li und Jian Sun verfasst. YOLOX zielt darauf ab, mit seinem effizienten Design und seiner hohen Genauigkeit die Lücke zwischen Forschung und industriellen Anwendungen zu schließen. Die Architektur umfasst Neuerungen wie einen entkoppelten Kopf, SimOTA-Etikettenzuweisung und starke Datenerweiterungstechniken, die zu seiner robusten Leistung beitragen.
Stärken:
- Einfachheit und Effizienz: YOLOX vereinfacht den traditionellen YOLO durch den Wegfall von Ankern, was zu einem einfacheren Trainingsprozess und geringerer Komplexität führt.
- Hohe Genauigkeit und Geschwindigkeit: Er erreicht die modernste Leistung unter den einstufigen Detektoren, indem er eine hohe Genauigkeit mit einer schnellen Inferenzgeschwindigkeit verbindet, wie in seinem Benchmark gezeigt wird.
- Industriefreundliches Design: YOLOX ist so konzipiert, dass es leicht einsetzbar und für industrielle Anwendungen anpassbar ist, mit mehreren Einsatzoptionen wie ONNX, TensorRT und OpenVINO (YOLOX-Dokumentation).
Schwachstellen:
- Obwohl sie effizient sind, können die Modellgrößen, insbesondere bei größeren Varianten wie YOLOX-x, beträchtlich sein, was im Vergleich zu extrem leichtgewichtigen Modellen wie YOLOv8n möglicherweise mehr Rechenressourcen erfordert.
Ideale Anwendungsfälle:
YOLOX eignet sich für Anwendungen, die ein Gleichgewicht zwischen hoher Genauigkeit und Echtzeitverarbeitung erfordern, wie z. B:
- Leistungsstarke Objekterkennung in Forschung und Entwicklung, wo es auf höchste Genauigkeit ankommt.
- Industrielle Anwendungen, die eine robuste und zuverlässige Erkennung erfordern, wie z. B. die Qualitätskontrolle und die Automatisierung in der Fertigung(AI in Manufacturing).
- Edge-Einsatzszenarien, in denen leistungsfähige Hardware zur Verfügung steht, unter Nutzung der optimierten Einsatzoptionen.
YOLOv8: Vielseitige und benutzerfreundliche Detektion
Ultralytics YOLOv8YOLO , von Ultralytics am 10. Januar 2023 veröffentlicht, ist die neueste Version der YOLO , die sich darauf konzentriert, eine vielseitige und benutzerfreundliche Erfahrung für ein breites Spektrum von Bildverarbeitungsaufgaben zu bieten. Sie wurde von Glenn Jocher, Ayush Chaurasia und Jing Qiu entwickelt und baut auf früheren YOLO auf, mit architektonischen Verbesserungen und einer starken Betonung auf Benutzerfreundlichkeit und Flexibilität. YOLOv8 unterstützt verschiedene Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung und Posenschätzung.
Stärken:
- Leistung auf dem neuesten Stand der Technik: YOLOv8 liefert exzellente mAP und schnelle Inferenzen und ist damit konkurrenzfähig mit anderen Spitzenmodellen (siehe YOLOv8 Benchmarks).
- Benutzerfreundlichkeit: Ultralytics legt großen Wert auf Benutzerfreundlichkeit mit einer umfassenden Dokumentation und einer einfachen, Python Benutzeroberfläche, die ein schnelles Prototyping und eine schnelle Bereitstellung ermöglicht.
- Vielseitigkeit für verschiedene Aufgaben: YOLOv8 ist nicht nur auf die Objekterkennung beschränkt, sondern umfasst auch Segmentierung, Klassifizierung und Posenschätzung und bietet somit eine einheitliche Lösung für verschiedene Computer-Vision-Anforderungen.
- Ökosystem und Gemeinschaft: Es profitiert von einer großen und aktiven Open-Source-Gemeinschaft und lässt sich für die Modellverwaltung und -bereitstellung nahtlos mit dem Ultralytics HUB integrieren.
Schwachstellen:
- Für extrem ressourcenbeschränkte Geräte können kleinere, spezialisierte Modelle wie YOLOX-Nano einen geringeren Platzbedarf aufweisen, obwohl YOLOv8n eine sehr leichte Alternative darstellt.
Ideale Anwendungsfälle:
Die Vielseitigkeit und Benutzerfreundlichkeit von YOLOv8 machen es ideal für eine Vielzahl von Anwendungen:
- Objekterkennung in Echtzeit in Anwendungen wie Sicherheitssystemen, Robotik und autonomen Fahrzeugen.
- Vielseitige Vision AI-Lösungen für Branchen wie Landwirtschaft, Gesundheitswesen und intelligente Städte.
- Schnelle Prototypenerstellung und Bereitstellung dank der benutzerfreundlichen Schnittstelle und der auf Ultralytics HUB verfügbaren vortrainierten Modelle.
Für Benutzer, die sich für andere Modelle interessieren, bietet Ultralytics auch eine Reihe von YOLO an, darunter YOLOv5, YOLOv7 und das hochmoderne YOLOv10, jedes mit einzigartigen Stärken und Optimierungen.
