YOLO11 vs YOLOv6-3.0 : Comparaison détaillée des modèles
Le choix du bon modèle de vision par ordinateur est crucial pour obtenir des performances optimales dans les tâches de détection d'objets. Ultralytics propose une gamme de modèles YOLO , chacun ayant des atouts uniques. Cette page fournit une comparaison technique entre Ultralytics YOLO11 et YOLOv6-3.0, deux choix populaires pour la détection d'objets, en se concentrant sur leurs architectures, leurs mesures de performance et leurs applications idéales.
Ultralytics YOLO11
Ultralytics YOLO11 est le dernier modèle de pointe de la série YOLO , rédigé par Glenn Jocher et Jing Qiu d'Ultralytics, publié le 2024-09-27. Il s'appuie sur les versions précédentes pour offrir des capacités de détection d'objets de pointe, conçues pour améliorer la précision et l'efficacité de diverses tâches de vision par ordinateur, notamment la détection d'objets, la segmentation d'instances, la classification d'images et l'estimation de la pose.
YOLO11 introduit des améliorations architecturales pour des prédictions plus précises et une plus grande efficacité. Notamment, YOLO11m atteint une précision moyenne plus élevée (mAP) sur l'ensemble de données COCO avec moins de paramètres que YOLOv8m. Cette efficacité s'étend à diverses plateformes, des appareils périphériques aux systèmes en nuage. La conception optimisée permet d'accélérer les vitesses de traitement et de réduire les coûts de calcul, ce qui la rend adaptée aux applications en temps réel et aux environnements à ressources limitées. Pour plus de détails, consultez la documentation officielle de YOLO11 .
Les points forts de YOLO11:
- Précision supérieure : Permet d'obtenir une mAP plus élevée avec moins de paramètres, améliorant ainsi la précision de la détection.
- Efficacité accrue : Permet d'accélérer les vitesses de traitement et de réduire les coûts de calcul.
- Polyvalence : Prise en charge de multiples tâches, notamment la détection, la segmentation, la classification et l'estimation de la pose.
- Compatibilité multiplateforme : Les performances sont bonnes tant sur les systèmes périphériques que sur les systèmes en nuage.
- Facilité d'utilisation : Intégration transparente avec le HUB Ultralytics et le paquetage Python .
Faiblesses de YOLO11:
- Nouveau modèle : Comme il s'agit du modèle le plus récent, le soutien de la communauté et la documentation se développent encore par rapport à des modèles plus établis.
Cas d'utilisation idéaux pour YOLO11:
L'équilibre entre la précision et la vitesse de YOLO11 en fait un outil idéal pour les applications nécessitant une grande précision et des performances en temps réel :
- Systèmes avancés d'aide à la conduite (ADAS) dans les voitures auto-conduites(IA dans l'auto-conduite)
- Robotique de haute précision dans l'industrie manufacturière(IA dans l'industrie manufacturière)
- Systèmes de surveillance sophistiqués pour une sécurité accrue(vision par ordinateur pour la prévention des vols)
- Analyse d'images médicales pour un diagnostic précis(AI in healthcare)
- Analyse sportive en temps réel(exploration des applications de la vision par ordinateur dans le domaine du sport)
YOLOv6-3.0
YOLOv6-3.0 est un cadre de détection d'objets haute performance développé par Meituan et rédigé par Chuyi Li, Lulu Li et d'autres, publié le 2023-01-13. Il est conçu pour les applications industrielles nécessitant un équilibre entre vitesse et précision. YOLOv6-3.0 intègre des innovations architecturales telles que le module Bi-directional Concatenation (BiC) et la stratégie Anchor-Aided Training (AAT) afin d'améliorer les performances sans compromettre la vitesse de manière significative.
YOLOv6-3.0 est réputé pour son efficacité et sa rapidité, et propose différentes tailles de modèles (N, S, M, L) pour répondre aux différents besoins de calcul. Sa conception optimisée et sa prise en charge de la quantification le rendent particulièrement adapté aux applications en temps réel et au déploiement sur des appareils périphériques. Des informations détaillées sont disponibles dans la documentation YOLOv6 et dans le dépôt GitHub YOLOv6.
Points forts de YOLOv6-3.0 :
- Vitesse d'inférence élevée : Optimisé pour des performances en temps réel, il permet d'atteindre des taux de rafraîchissement élevés.
- Précision équilibrée : Offre un bon équilibre entre la précision et la vitesse.
- Prise en charge de la quantification : Offre une quantification INT8 pour plus de rapidité et d'efficacité.
- Optimisation mobile : Inclut les modèles YOLOv6Lite spécialement conçus pour le déploiement mobile et CPU .
- Modèle établi : Bien documenté, avec une communauté et une base de code solides.
Faiblesses de YOLOv6-3.0 :
- Précision potentiellement inférieure : La précision peut être légèrement inférieure à celle des derniers modèles YOLO , comme YOLO11 , dans certains scénarios complexes.
- Origine du développement : Développé en dehors d'Ultralytics, bien qu'intégré dans l'écosystème Ultralytics .
Cas d'utilisation idéaux pour YOLOv6-3.0 :
YOLOv6-3.0 est bien adapté aux applications où la vitesse et l'efficacité sont primordiales :
- Détection d'objets en temps réel sur les appareils périphériques(edge ai)
- Automatisation industrielle nécessitant une détection rapide et fiable(amélioration de la fabrication grâce à la vision par ordinateur)
- Systèmes de surveillance et de sécurité pour lesquels la rapidité de traitement est essentielle(briser le statu quo de la surveillance grâce à l'IA de la vision)
- Applications mobiles avec des contraintes de ressources(déploiement d'applications de vision par ordinateur sur des appareils de bord)
- Analyse vidéo à haut débit
| Modèle | taille (pixels) |
mAPval 50-95 |
Vitesse CPU ONNX (ms) |
Vitesse T4 TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
Les utilisateurs désireux d'explorer d'autres modèles peuvent également considérer Ultralytics YOLOv8 pour un équilibre entre performances et fonctionnalités, YOLOv9 pour des améliorations architecturales avancées, YOLOv10 pour les dernières avancées, YOLOv7, et YOLOv5, chacun offrant des points forts uniques dans la famille YOLO .
