Comparación de modelos: YOLOv8 frente a YOLOv8 para la detección de objetos
Seleccionar el modelo de detección de objetos adecuado es crucial para lograr un rendimiento óptimo en las tareas de visión por ordenador. Esta página ofrece una comparación técnica entre YOLOv7 y Ultralytics YOLOv8, dos modelos populares en este campo. Analizaremos sus matices arquitectónicos, sus puntos de referencia de rendimiento y sus aplicaciones ideales para guiarle en el proceso de selección del modelo.
YOLOv7: alto rendimiento y eficiencia
YOLOv7, presentado el 2022-07-06 por Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao, del Instituto de Ciencias de la Información de la Academia Sinica de Taiwán, está diseñado para la detección de objetos precisa y a alta velocidad. Detallado en su artículo arXiv, YOLOv7 se centra en el "bag-of-freebies entrenable", mejorando la eficiencia del entrenamiento y la precisión de la detección sin aumentar el coste de la inferencia.
Puntos fuertes:
- Alta precisión y velocidad: YOLOv7 alcanza el rendimiento más avanzado en detección de objetos en tiempo real, como demuestran sus pruebas comparativas en el conjunto de datos COCO.
- Arquitectura eficiente: Utiliza técnicas como la re-parametrización del modelo y la asignación dinámica de etiquetas para mejorar la eficiencia del entrenamiento y la inferencia.
- Flexibilidad: Ofrece varias configuraciones de modelos (YOLOv7, YOLOv7-X, YOLOv7-W6, YOLOv7-E6, YOLOv7-D6, YOLOv7-E6E) para adaptarse a diferentes recursos computacionales y necesidades de precisión.
Debilidades:
- Complejidad: La arquitectura y el proceso de formación pueden ser más complejos en comparación con modelos más sencillos, lo que puede requerir más experiencia para afinarlos y optimizarlos.
- Uso intensivo de recursos: Los modelos YOLOv7 de mayor tamaño exigen importantes recursos informáticos para su entrenamiento y despliegue, lo que limita su uso en entornos con recursos limitados.
Casos de uso ideales:
YOLOv7 es idóneo para aplicaciones que requieren una detección de objetos en tiempo real de primer nivel, como:
- Sistemas avanzados de videovigilancia que requieren gran precisión y velocidad.
- Conducción autónoma y robótica, donde es fundamental un reconocimiento preciso y rápido de los objetos.
- Inspección industrial para la detección de defectos con un alto rendimiento.
YOLOv8: versatilidad y facilidad de uso
Ultralytics YOLOv8publicado el 2023-01-10 por Glenn Jocher, Ayush Chaurasia y Jing Qiu en Ultralytics, representa la vanguardia de la serie YOLO . Aunque no va acompañado de un artículo arXiv específico, YOLOv8 hace hincapié en la facilidad de uso, la flexibilidad y el buen rendimiento en una serie de tareas de visión, como la detección de objetos, la segmentación y la estimación de poses.
Puntos fuertes:
- Rendimiento equilibrado: YOLOv8 ofrece un gran equilibrio entre precisión y velocidad, lo que lo hace versátil para diversas aplicaciones.
- Ecosistema fácil de usar: Ultralytics proporciona documentación completa, modelos preentrenados y una integración perfecta con Ultralytics HUB, lo que simplifica los flujos de trabajo desde la formación hasta la implantación.
- Capacidad multitarea: Admite detección de objetos, segmentación de instancias, estimación de poses, detección de objetos orientados y clasificación, lo que proporciona una solución unificada para diversas necesidades de visión por ordenador.
- Desarrollo activo y apoyo de la comunidad: Se beneficia de actualizaciones continuas y de una amplia y activa comunidad de código abierto en torno a los proyectos Ultralytics .
Debilidades:
- Rendimiento máximo ligeramente inferior: En pruebas comparativas específicas, en particular para la velocidad de detección de objetos, YOLOv8 podría superar ligeramente a YOLOv8 en algunas configuraciones.
- Tamaño del modelo: Aunque eficientes, los tamaños de los modelos pueden seguir siendo considerables para dispositivos de borde con recursos extremadamente limitados en comparación con modelos altamente especializados como YOLOv5 Nano.
Casos de uso ideales:
YOLOv8 es excepcionalmente versátil y se adapta a un amplio espectro de aplicaciones, entre ellas:
- Aplicaciones en tiempo real que requieren un equilibrio entre velocidad y precisión, como los sistemas de alarma de seguridad y la robótica.
- Soluciones de IA de visión versátiles para sectores como la agricultura, la fabricación y la sanidad.
- Rápida creación de prototipos y despliegue gracias a su facilidad de uso y a las completas herramientas del ecosistema Ultralytics .
| Modelo | tamaño (píxeles) |
mAPval 50-95 |
Velocidad CPU ONNX (ms) |
Velocidad T4TensorRT10 (ms) |
parámetros (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Para los usuarios interesados en explorar otros modelos, Ultralytics también ofrece una gama de modelosYOLO que incluye el eficiente YOLOv5y los versátiles YOLOv6 y YOLOv9. Además, para tareas que requieren segmentación de instancias, considere YOLOv8.
En conclusión, tanto YOLOv7 como YOLOv8 son potentes modelos de detección de objetos. YOLOv7 destaca en escenarios que exigen un rendimiento máximo de detección en tiempo real, mientras que YOLOv8 proporciona una experiencia más versátil y fácil de usar en diversas tareas de visión y entornos de despliegue. Su elección debe guiarse por las necesidades específicas de su aplicación, teniendo en cuenta el equilibrio entre precisión, velocidad, facilidad de uso y recursos disponibles.
