YOLOv10 vs YOLOv10: una comparación técnica exhaustiva

Elegir el modelo de detección de objetos adecuado es fundamental para el éxito de cualquier proyecto de visión por ordenador. Esta guía ofrece una comparación técnica detallada entre Ultralytics YOLOv8 y YOLOv10analizando sus innovaciones arquitectónicas, métricas de rendimiento y casos de uso ideales. Mientras que YOLOv10 introduce novedosas optimizaciones de eficiencia, Ultralytics YOLOv8 sigue siendo una fuerza dominante gracias a su sólido ecosistema, su versatilidad sin parangón y su fiabilidad demostrada en diversos escenarios de implantación.

Ultralytics YOLOv8: el estándar versátil

Lanzamiento en enero de 2023, Ultralytics YOLOv8 representa un importante salto adelante en la serieYOLO , diseñada no sólo como un modelo, sino como un marco integral para la IA de visión. Da prioridad a la facilidad de uso y la flexibilidad, por lo que es la opción preferida para desarrolladores que van desde aficionados a ingenieros de empresa.

Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
Organización:Ultralytics
Fecha: 2023-01-10
GitHub:ultralytics
Documentación:DocumentaciónYOLOv8

Arquitectura y capacidades

YOLOv8 emplea un mecanismo de detección sin anclajes, que simplifica el proceso de formación al eliminar la necesidad de especificar manualmente las cajas de anclaje. Este enfoque mejora la generalización a través de diferentes formas de objetos. Su arquitectura presenta un cabezal desacoplado y una columna vertebral de última generación que equilibra el coste computacional con una gran precisión.

Una característica definitoria de YOLOv8 es su soporte multitarea nativo. A diferencia de muchos modelos especializados, YOLOv8 ofrece capacidades out-of-the-box para:

Principales ventajas

El ecosistema bien mantenido que rodea a YOLOv8 es una gran ventaja. Se integra a la perfección con Ultralytics HUB para la formación y gestión de modelos, y ofrece amplias opciones de exportación a formatos como ONNX, TensorRT y CoreML. Además, sus requisitos de memoria durante el entrenamiento y la inferencia son significativamente inferiores a los de las arquitecturas basadas en transformadores, lo que garantiza su funcionamiento eficiente en hardware estándar.

Más información sobre YOLOv8

YOLOv10: superando los límites de la eficiencia

YOLOv10desarrollado por investigadores de la Universidad de Tsinghua, se centra en gran medida en la optimización del proceso de inferencia mediante la eliminación de los cuellos de botella asociados al postprocesamiento.

Autores: Ao Wang, Hui Chen, Lihao Liu, et al.
Organización:Universidad de Tsinghua
Fecha: 2024-05-23
Arxiv:arXiv:2405.14458
GitHub:THU-MIG/yolov10
Documentación:Documentación deYOLOv10

Innovaciones arquitectónicas

La característica más destacada de YOLOv10 es su estrategia de entrenamientoNMS. Los detectores de objetos tradicionales se basan en la supresión no máxima (NMS ) para filtrar los cuadros delimitadores superpuestos durante la inferencia, lo que puede introducir latencia. YOLOv10 utiliza asignaciones duales coherentes durante el entrenamiento, combinando la supervisión uno a muchos para obtener señales de supervisión ricas con la correspondencia uno a uno para una inferencia eficaz. Esto permite al modelo predecir los recuadros delimitadores exactos sin necesidad de NMS, reduciendo así la latencia de extremo a extremo.

La arquitectura también incluye un diseño holístico de eficiencia-precisión, con cabezales de clasificación ligeros y muestreo descendente desacoplado de canales espaciales para reducir la redundancia computacional (FLOPs) y el recuento de parámetros.

Más información sobre YOLOv10

Métricas y análisis de rendimiento

Al comparar estos dos modelos, es esencial mirar más allá de las puras cifras de precisión. Mientras que YOLOv10 muestra una eficacia impresionante en términos de parámetros, YOLOv8 mantiene un rendimiento sólido en una mayor variedad de hardware y tareas.

Cuadro comparativo

La tabla siguiente muestra el rendimiento en el conjunto de datosCOCO . En algunos casos, YOLOv10 consigue un mAP mayor con menos parámetros, pero YOLOv8 sigue siendo muy competitivo en velocidad de inferencia, sobre todo en las pruebas estándar de CPU y GPU .

Modelo	tamaño ^(píxeles)	mAP^val 50-95	Velocidad ^{CPU ONNX (ms)}	Velocidad ^{T4 TensorRT10 (ms)}	parámetros ^(M)	FLOPs ^(B)
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

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Análisis crítico

Equilibrio de rendimiento: YOLOv8 ofrece un excelente equilibrio entre velocidad y precisión. Su velocidad en CPU (a través de ONNX) está bien documentada y optimizada, lo que la convierte en una opción fiable para las implantaciones que carecen de hardware GPU especializado.
Eficacia de la formación: Los modelos Ultralytics son conocidos por sus eficientes procesos de entrenamiento. Los usuarios a menudo pueden alcanzar la convergencia más rápidamente con los hiperparámetros optimizados de YOLOv8 y los pesos preentrenados fácilmente disponibles.
Madurez del ecosistema: Mientras que YOLOv10 ofrece mejoras teóricas de eficiencia, YOLOv8 se beneficia de años de perfeccionamiento en el ecosistema de Ultralytics . Esto incluye un amplio soporte para el aumento de datos, depuración activa de la comunidad e integraciones con herramientas como Weights & Biases y Comet.

La versatilidad importa

Si su proyecto requiere algo más que cuadros delimitadores, como la comprensión del lenguaje corporal a través de la estimación de la pose o la delimitación precisa a través de laYOLOv8 , YOLOv10 es el claro vencedor, ya que YOLOv10 está especializado principalmente en la detección de objetos.

Casos de Uso Ideales

Cuándo elegir Ultralytics YOLOv8

YOLOv8 es la opción recomendada para la gran mayoría de aplicaciones del mundo real por su versatilidad y facilidad de uso.

Soluciones de IA multifacéticas: Perfectas para proyectos que requieren segmentación o clasificación de instancias junto con la detección.
Implantación empresarial: Ideal para empresas que necesitan un marco estable y respaldado con opciones de licencia claras e integración en los procesos de MLOps existentes.
Comercio inteligente: Su capacidad para gestionar múltiples tareas la hace idónea para análisis complejos en el sector minorista, como la supervisión de estanterías y el análisis del comportamiento de los clientes.
Creación rápida de prototipos: La sencilla API Python permite a los desarrolladores pasar del concepto al modelo entrenado en cuestión de minutos.

Cuándo elegir YOLOv10

YOLOv10 se reserva mejor para nichos específicos en los que las limitaciones de hardware son extremas.

Latency-Critical Edge AI: aplicaciones en microcontroladores o sistemas integrados heredados en los que cada milisegundo de latencia de inferencia cuenta.
Procesamiento de vídeo de alto rendimiento: Escenarios como la gestión del tráfico, en los que la reducción del tiempo de postprocesamiento por fotograma puede suponer un importante ahorro acumulativo de recursos informáticos.

Aplicación del código

Una de las señas de identidad del ecosistema Ultralytics es la facilidad de uso. Se puede acceder a ambos modelos a través del sistema unificado ultralytics Python , lo que garantiza una experiencia coherente para los desarrolladores.

A continuación se muestra un ejemplo de cómo ejecutar la inferencia con YOLOv8que demuestra la sencillez de la API.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Perform object detection on a local image
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Del mismo modo, dado que Ultralytics es compatible con un ecosistema más amplio, a menudo se pueden cambiar fácilmente los pesos para experimentar con otras arquitecturas, siempre que sean compatibles con la biblioteca.

Exportación sin fisuras

Ultralytics proporciona un comando de una sola línea para exportar sus modelos entrenados a formatos de fácil despliegue. Funciona a la perfección con YOLOv8 para generar modelos optimizados para producción:

# Export YOLOv8 model to ONNX format
model.export(format="onnx")

Conclusión

Tanto YOLOv8 como YOLOv10 son impresionantes proezas de la ingeniería de visión por ordenador. YOLOv10 supera los límites de la eficiencia arquitectónica con su diseño NMS, lo que lo convierte en un fuerte competidor para tareas de detección altamente especializadas y sensibles a la latencia.

Sin embargo, para un desarrollo robusto, versátil y preparado para el futuro, Ultralytics YOLOv8 sigue siendo la mejor opción. Su capacidad para gestionar la clasificación, la segmentación y la estimación de la pose en un único marco de trabajo proporciona un valor inigualable. Junto con la extensa documentación, el soporte activo de la comunidad y la perfecta integración con Ultralytics HUB, YOLOv8 permite a los desarrolladores crear soluciones de IA completas de forma más rápida y fiable.

Para los que buscan lo último en rendimiento, también recomendamos explorar YOLO11que se basa en los puntos fuertes de YOLOv8 para ofrecer una precisión y velocidad aún mayores.