YOLOv6.0 frente a YOLOv7: una inmersión en la velocidad y la precisión industrial

Seleccionar el modelo óptimo de detección de objetos es una decisión crítica que depende del equilibrio entre la velocidad de inferencia, la precisión y la eficiencia computacional. Esta comparación técnica explora las diferencias entre YOLOv6.0, un marco centrado en la industria, y YOLOv7un modelo diseñado para superar los límites de la precisión mediante el uso de "bag-of-freebies" entrenables. Mediante el análisis de sus arquitecturas, puntos de referencia y casos de uso ideales, los desarrolladores pueden determinar qué solución se adapta mejor a sus limitaciones específicas de implantación.

YOLOv6.0: Diseñado para la eficiencia industrial

YOLOv6.0 representa una evolución significativa en la serie YOLO , específicamente diseñada para aplicaciones industriales en las que la velocidad en tiempo real y la eficiencia del hardware no son negociables. Desarrollada por Meituan, esta versión se centra en optimizar el equilibrio entre latencia y precisión, lo que la convierte en una opción formidable para entornos de computación periférica y alto rendimiento.

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:https://arxiv.org/abs/2301.05586
GitHubYOLOv6
Docsultralytics

Arquitectura y Características Clave

La arquitectura de YOLOv6.0 se basa en el concepto de diseño consciente del hardware. Emplea una columna vertebral re-parametrizable (EfficientRep), que permite al modelo utilizar estructuras complejas durante el entrenamiento para un mejor aprendizaje de las características, mientras que se colapsa en estructuras más simples y rápidas durante la inferencia. Esta técnica reduce significativamente los costes de acceso a la memoria y mejora la latencia de la inferencia.

Entre las principales innovaciones arquitectónicas figuran:

• Concatenación bidireccional (BiC): Este módulo mejora la precisión de la localización mejorando la propagación de características.
• Entrenamiento asistido por anclaje (AAT): Una estrategia que combina las ventajas de los detectores basados en anclas y sin anclas para estabilizar el entrenamiento y aumentar el rendimiento.
• Autodestilación: YOLOv6.0 utiliza técnicas de autodestilación en las que el modelo del alumno aprende de sus propias predicciones del modelo del profesor, refinando la precisión sin necesidad de grandes modelos externos.

Fortalezas y Debilidades

El principal punto fuerte de YOLOv6.0 reside en su velocidad de inferencia. Como indican las pruebas comparativas, las variantes más pequeñas (como YOLOv6.0n) son excepcionalmente rápidas en hardware de GPU , lo que las hace ideales para cadenas de análisis de vídeo que deben procesar altas frecuencias de cuadro. Además, la posibilidad de cuantificar el modelo facilita su despliegue en hardware con recursos limitados.

Sin embargo, las versiones anteriores de YOLOv6 se limitaban principalmente a la detección de objetos y carecían de la versatilidad nativa de marcos más completos que admiten la segmentación o la estimación de la pose desde el principio. Además, aunque es muy eficiente, el ecosistema de apoyo no es tan amplio como el de otros proyectos impulsados por la comunidad.

Casos de Uso Ideales

YOLOv6.0 destaca en escenarios como:

• Líneas de fabricación: Donde se requiera detección de defectos a alta velocidad en cintas transportadoras.
• Análisis del comercio minorista: Para la gestión de colas y el seguimiento de inventarios cuando los recursos computacionales son limitados.
• Sistemas integrados: implantación en dispositivos como la serie NVIDIA Jetson.

Más información sobre YOLOv6

YOLOv7: Optimizar la bolsa de regalos entrenable

YOLOv7 adopta un enfoque diferente, centrándose en gran medida en las reformas arquitectónicas para maximizar la precisión sin aumentar el coste de la inferencia. Los autores introdujeron métodos de optimización "entrenables bag-of-freebies" que mejoran el rendimiento del modelo durante el entrenamiento pero no alteran la arquitectura ni la velocidad de inferencia.

Autores: Chien-Yao Wang, Alexey Bochkovskiy, y Hong-Yuan Mark Liao
Organización:Institute of Information Science, Academia Sinica, Taiwan
Fecha: 2022-07-06
Arxiv:https://arxiv.org/abs/2207.02696
GitHub:https://github.com/WongKinYiu/yolov7
Docsultralytics

Arquitectura y Características Clave

YOLOv7 introduce la red E-ELAN (Extended Efficient Layer Aggregation Network). Esta arquitectura permite que el modelo aprenda características más diversas controlando las rutas de gradiente más corta y más larga, lo que garantiza que la red converja de forma eficaz.

Entre sus características destacan:

• Escalado del modelo: A diferencia de los métodos anteriores, que sólo escalaban la profundidad o la anchura, YOLOv7 propone un método de escalado compuesto que concatena capas en lugar de limitarse a redimensionarlas, preservando las propiedades de optimización del modelo.
• Entrenamiento con cabeza auxiliar: El modelo utiliza una cabeza auxiliar durante el entrenamiento para ayudar a la cabeza principal. Esta técnica de supervisión profunda mejora el aprendizaje de las capas intermedias, pero se elimina durante la inferencia para mantener la velocidad.
• Convolución re-parametrizada planificada: Una aplicación especializada de la re-parametrización que evita las conexiones de identidad en determinadas capas para evitar la degradación del rendimiento.

Fortalezas y Debilidades

YOLOv7 es famoso por su gran precisión, con una impresionante puntuación media de precisión (mAP ) en el conjunto de datos COCO . Cubre eficazmente el vacío existente entre las limitaciones del tiempo real y la necesidad de detecciones de alta fidelidad.

En el lado negativo, la complejidad de la arquitectura y el uso de cabezales auxiliares pueden hacer que el proceso de entrenamiento requiera más memoria en comparación con arquitecturas más sencillas. Aunque es eficiente durante la inferencia, la fase de entrenamiento requiere una cantidad considerable de memoria de GPU , especialmente en las variantes "E6E" de mayor tamaño.

Casos de Uso Ideales

YOLOv7 es especialmente adecuado para:

• Vigilancia detallada: Identificación de objetos pequeños o acciones sutiles en grabaciones de seguridad complejas.
• Conducción autónoma: Donde la precisión es fundamental para la seguridad y la navegación.
• Investigación científica: Aplicaciones que requieren métricas AP elevadas, como imágenes médicas o estudios biológicos.

Más información sobre YOLOv7

Comparación de resultados: Métricas y análisis

La siguiente tabla contrasta el rendimiento de las variantes YOLOv6.0 y YOLOv7 en el conjunto de datos de validación COCO . Destaca las compensaciones entre el tamaño del modelo, la carga computacional (FLOPs) y la velocidad.

Los datos revelan una clara distinción: YOLOv7 .0 domina en entornos de baja latencia, mientras que YOLOv7 es superior cuando la prioridad es la máxima calidad de detección y los recursos de hardware son más abundantes.

La ventaja Ultralytics : Más allá de las métricas en bruto

Aunque YOLOv6 y YOLOv7 ofrecen sólidas capacidades, el panorama de la visión por ordenador evoluciona rápidamente. Para los desarrolladores e investigadores que buscan una solución versátil, fácil de usar y preparada para el futuro, Ultralytics YOLO11 y YOLOv8 presentan ventajas convincentes que van más allá de los puntos de referencia en bruto.

Facilidad de uso y ecosistema

Uno de los obstáculos más importantes a la hora de adoptar modelos avanzados de IA es la complejidad de su aplicación. Los modelos de Ultralytics son famosos por su experiencia de usuario simplificada. Con una API y una CLI sencillas Python , los usuarios pueden entrenar, validar y desplegar modelos en tan solo unas líneas de código. Esto contrasta con los repositorios orientados a la investigación que a menudo requieren complejas configuraciones de entorno y ajustes de configuración.

from ultralytics import YOLO

# Load a model (YOLO11n recommended for speed/accuracy balance)
model = YOLO("yolo11n.pt")

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

# Run inference on an image
results = model("path/to/image.jpg")

Versatilidad en las tareas

A diferencia de las versiones anteriores YOLO , que eran principalmente de detección, los modelos de Ultralytics son multimodales de forma nativa. Un único marco es compatible:

• Detección de objetos: Identificación de objetos y su ubicación.
• Segmentación de instancias: Enmascaramiento de objetos a nivel de píxel.
• Estimación de la pose: Identificación de los puntos clave del esqueleto.
• Clasificación: Categorización de imágenes completas.
• Caja delimitadora orientada (OBB): Detección de objetos en ángulo (por ejemplo, imágenes aéreas).

Equilibrio y eficacia de las prestaciones

Modelos Ultralytics , como YOLO11están diseñados para ofrecer un equilibrio óptimo entre velocidad y precisión. Suelen alcanzar un mAP superior al de YOLOv7 , al tiempo que mantienen las velocidades de inferencia asociadas a arquitecturas eficientes como YOLOv6. Además, los modelos Ultralytics están diseñados para ser eficientes en el entrenamiento y requieren un menor uso de la memoria GPU en comparación con los modelos basados en transformadores (como RT-DETR), lo que acelera los ciclos de experimentación y reduce los costes de computación en la nube.

Ecosistema bien mantenido

Elegir un modelo de Ultralytics significa comprar un ecosistema compatible. Esto incluye:

• Actualizaciones frecuentes: Mejoras periódicas de la arquitectura y los pesos.
• Amplio apoyo a la exportación: Exportación sin problemas a ONNX, TensorRTCoreML y TFLite para su despliegue en cualquier dispositivo.
• Comunidad: Una comunidad masiva de desarrolladores y una amplia documentación garantizan que la ayuda esté siempre disponible.

Conclusión

Tanto YOLOv6.0 como YOLOv7 han realizado importantes contribuciones al campo de la visión por ordenador. YOLOv6.0 es la opción preferida para aplicaciones industriales que requieren un soporte ultrarrápido de inferencia y cuantificación. YOLOv7 sigue siendo un fuerte competidor para escenarios en los que la precisión de la detección es primordial y las restricciones de hardware son flexibles.

Sin embargo, para obtener una solución integral que combine un rendimiento de vanguardia con una facilidad de uso, versatilidad y flexibilidad de implantación inigualables, Ultralytics YOLO11 destaca como la mejor opción para el desarrollo moderno de IA. El ecosistema de Ultralytics proporciona las herramientas necesarias para alcanzar el éxito, ya se trate de un despliegue en el perímetro o de un escalado en la nube.

Si desea más información, explore nuestras comparaciones sobre YOLOX o revise las capacidades de RT-DETR para la detección basada en transformadores.

Comentarios