Comparación de modelos: YOLOv5 frente a YOLOv6-3.0 para la detección de objetos
La elección del modelo óptimo de detección de objetos es fundamental para el éxito de las aplicaciones de visión por ordenador. Tanto Ultralytics YOLOv5 como Meituan YOLOv6-3.0 son opciones populares conocidas por su eficacia y precisión. Esta página ofrece una comparación técnica para ayudarle a decidir qué modelo se ajusta mejor a las necesidades de su proyecto. Profundizamos en sus matices arquitectónicos, puntos de referencia de rendimiento, enfoques de formación y aplicaciones adecuadas.
Ultralytics YOLOv5
YOLOv5 es un modelo de detección de objetos de una sola etapa, reconocido por su velocidad y adaptabilidad. Desarrollado por Ultralytics y lanzado inicialmente el 26 de junio de 2020, YOLOv5 está construido con una arquitectura flexible que permite un fácil escalado y personalización. Su arquitectura utiliza componentes como CSPBottleneck, centrándose en la velocidad de inferencia optimizada y manteniendo un equilibrio con la precisión.
- Autores: Glenn Jocher
- Organización: Ultralytics
- Fecha: 2020-06-26
- GitHub: Repositorio GitHubYOLOv5
- Documentación: Documentación deYOLOv5
YOLOv5 ofrece una gama de tamaños de modelo (n, s, m, l, x), cada uno diseñado para satisfacer distintos requisitos de rendimiento. Los modelos más pequeños, como YOLOv5n, son ideales para dispositivos de borde gracias a su tamaño compacto y su rápida inferencia, mientras que los modelos más grandes, como YOLOv5x, ofrecen una mayor precisión para tareas más exigentes. YOLOv5 es especialmente potente en aplicaciones que requieren detección de objetos en tiempo real gracias a su velocidad y eficacia.
Puntos fuertes de YOLOv5:
- Velocidad: YOLOv5 destaca por su velocidad de inferencia, lo que lo hace idóneo para aplicaciones en tiempo real.
- Flexibilidad: Su arquitectura es altamente personalizable y escalable.
- Apoyo de la comunidad: Respaldado por una comunidad grande y activa, que ofrece amplios recursos y apoyo.
- Facilidad de uso: flujos de trabajo sencillos para la formación, validación y despliegue, mejorados por Ultralytics HUB.
Puntos débiles de YOLOv5:
- Precisión: Aunque precisos, los modelos YOLOv6-3.0 de mayor tamaño pueden lograr un mAP ligeramente mejor en algunas pruebas comparativas.
Meituan YOLOv6-3.0
YOLOv6-3.0, desarrollado por Meituan y presentado en enero de 2023, representa un avance en la serie YOLO , centrándose en la mejora de la precisión y la velocidad. Aunque los detalles específicos de la arquitectura se encuentran mejor en los recursos oficiales de YOLOv6, incorpora innovaciones como el módulo de concatenación bidireccional (BiC) y la estrategia de formación asistida por anclaje (AAT). El objetivo de estas mejoras es aumentar la precisión en la extracción y detección de características sin reducir significativamente la velocidad.
- Autores: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu y Xiangxiang Chu
- Organización: Meituan
- Fecha: 2023-01-13
- arXiv: YOLOv6 v3.0: Una recarga a gran escala
- GitHub: Repositorio GitHub de YOLOv6
- Documentación: Documentación de YOLOv6
YOLOv6-3.0 también proporciona modelos de varios tamaños (n, s, m, l) para equilibrar el rendimiento y los recursos informáticos. Las pruebas comparativas indican que los modelos YOLOv6-3.0 pueden alcanzar un mAP competitivo o superior en comparación con modelos YOLOv5 de tamaño similar, especialmente en configuraciones más grandes, lo que sugiere una mayor precisión en tareas de detección de objetos.
Más información sobre YOLOv6-3.0
Puntos fuertes de YOLOv6-3.0:
- Precisión: Generalmente ofrece una mAP competitiva o mejor, especialmente en los modelos de mayor tamaño.
- Velocidad de inferencia: Alcanza velocidades de inferencia rápidas, adecuadas para la detección de objetos en tiempo real.
- Innovaciones arquitectónicas: Incorpora módulo BiC y AAT para aumentar el rendimiento.
Puntos débiles de YOLOv6-3.0:
- Comunidad y recursos: Aunque eficaz, puede que no cuente con el amplio apoyo de la comunidad y los recursos fácilmente disponibles en comparación con YOLOv5.
- Integración: La integración directa con Ultralytics HUB y las herramientas asociadas podría ser menos fluida que con los modelos nativos Ultralytics .
Tabla comparativa de prestaciones
| Modelo | tamaño(píxeles) | mAPval50-95 | VelocidadCPU ONNX(ms) | VelocidadT4TensorRT10(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 |
Conclusión
Tanto YOLOv5 como YOLOv6-3.0 son modelos robustos de detección de objetos, cada uno con puntos fuertes únicos. YOLOv5 sigue siendo un modelo muy versátil y rápido, que se beneficia del amplio apoyo de la comunidad y de una perfecta integración en el ecosistema Ultralytics . Es una opción excelente para una amplia gama de aplicaciones en tiempo real. YOLOv6-3.0 ofrece una alternativa convincente para proyectos en los que se prioriza una mayor precisión sin sacrificar la velocidad de inferencia. Sus mejoras arquitectónicas proporcionan una ventaja de rendimiento en determinados escenarios.
Para los usuarios que buscan modelos de vanguardia, considere explorar los modelos más recientes de Ultralytics como YOLOv8YOLOv9, YOLOv10 y YOLO11. Para aplicaciones especializadas, modelos como YOLO y RT-DETR ofrecen ventajas únicas, mientras que FastSAM proporciona capacidades de segmentación eficientes.
Para más detalles y una gama más amplia de modelos, consulte la Documentación de modelos deUltralytics .
