Comparaison de modèles : YOLOv5 vs YOLOv6-3.0 pour la détection d'objets
Le choix du modèle de détection d'objets optimal est essentiel pour la réussite des applications de vision par ordinateur. Ultralytics YOLOv5 et Meituan YOLOv6-3.0 sont des choix populaires reconnus pour leur efficacité et leur précision. Cette page propose une comparaison technique pour vous aider à choisir le modèle qui correspond le mieux aux besoins de votre projet. Nous nous penchons sur les nuances architecturales, les références de performance, les approches de formation et les applications appropriées.
Ultralytics YOLOv5
YOLOv5 est un modèle de détection d'objets en une seule étape, réputé pour sa rapidité et son adaptabilité. Développé par Ultralytics et initialement publié le 26 juin 2020, YOLOv5 est construit avec une architecture flexible qui permet une mise à l'échelle et une personnalisation faciles. Son architecture utilise des composants tels que CSPBottleneck, se concentrant sur l'optimisation de la vitesse d'inférence et le maintien d'un équilibre avec la précision.
- Auteurs: Glenn Jocher
- Organisation: Ultralytics
- Date: 2020-06-26
- GitHub: Dépôt GitHubYOLOv5
- Documentation: YOLOv5 Docs
YOLOv5 propose une gamme de modèles de différentes tailles (n, s, m, l, x), chacun étant conçu pour répondre à des exigences de performance différentes. Les modèles plus petits comme YOLOv5n sont idéaux pour les appareils périphériques en raison de leur taille compacte et de leur rapidité d'inférence, tandis que les modèles plus grands comme YOLOv5x offrent une précision accrue pour les tâches plus exigeantes. YOLOv5 est particulièrement performant dans les applications nécessitant une détection d'objets en temps réel grâce à sa vitesse et à son efficacité.
Points forts de YOLOv5:
- Vitesse: YOLOv5 excelle dans la vitesse d'inférence, ce qui le rend adapté aux applications en temps réel.
- Flexibilité: Son architecture est hautement personnalisable et évolutive.
- Soutien de la communauté: Soutenu par une communauté nombreuse et active, offrant des ressources et une assistance étendues.
- Facilité d'utilisation: flux de travail simples pour la formation, la validation et le déploiement, améliorés par Ultralytics HUB.
Faiblesses de YOLOv5:
- Précision: Bien que précis, les modèles YOLOv6-3.0 plus grands peuvent atteindre une mAP légèrement meilleure dans certains benchmarks.
Meituan YOLOv6-3.0
YOLOv6-3.0, développé par Meituan et introduit en janvier 2023, représente une avancée dans la série YOLO , se concentrant sur l'amélioration de la précision et de la vitesse. Bien que les détails architecturaux spécifiques soient plus faciles à trouver dans les ressources officielles de YOLOv6, il incorpore des innovations telles que le module Bi-directional Concatenation (BiC) et la stratégie Anchor-Aided Training (AAT). Ces améliorations visent à accroître la précision de l'extraction et de la détection des caractéristiques sans réduction significative de la vitesse.
- Auteurs: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu et Xiangxiang Chu
- Organisation: Meituan
- Date: 2023-01-13
- arXiv: YOLOv6 v3.0 : Un rechargement à pleine échelle
- GitHub: Dépôt GitHub YOLOv6
- Documentation: YOLOv6 Docs
YOLOv6-3.0 propose également des modèles de différentes tailles (n, s, m, l) afin d'équilibrer les performances et les ressources informatiques. Les benchmarks indiquent que les modèles YOLOv6-3.0 peuvent atteindre une mAP compétitive ou supérieure à celle des modèles YOLOv5 de taille similaire, en particulier dans les grandes configurations, ce qui suggère une meilleure précision dans les tâches de détection d'objets.
Points forts de YOLOv6-3.0 :
- Précision: Offre généralement une mAP compétitive ou meilleure, en particulier dans les modèles de grande taille.
- Vitesse d'inférence: Permet d'obtenir des vitesses d'inférence rapides, adaptées à la détection d'objets en temps réel.
- Innovations architecturales: Incorpore le module BiC et l'AAT pour des gains de performance.
Faiblesses de YOLOv6-3.0 :
- Communauté et ressources: Bien qu'il soit efficace, il n'a peut-être pas le soutien de la communauté et les ressources facilement disponibles comparés à YOLOv5.
- Intégration: L'intégration directe avec Ultralytics HUB et les outils associés peut être moins transparente qu'avec les modèles natifs d'Ultralytics .
Tableau de comparaison des performances
| Modèle | taille(pixels) | mAPval50-95 | VitesseCPU ONNX(ms) | VitesseT4TenseurRT10(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 |
Conclusion
YOLOv5 et YOLOv6-3.0 sont tous deux des modèles de détection d'objets robustes, chacun possédant des atouts uniques. YOLOv5 reste un modèle très polyvalent et rapide, bénéficiant d'un soutien important de la communauté et d'une intégration transparente dans l'écosystème Ultralytics . C'est un excellent choix pour un large éventail d'applications en temps réel. YOLOv6-3.0 offre une alternative convaincante pour les projets où une plus grande précision est prioritaire sans sacrifier la vitesse d'inférence. Ses améliorations architecturales offrent un avantage en termes de performances dans certains scénarios.
Pour les utilisateurs à la recherche de modèles de pointe, il convient d'explorer les nouveaux modèles Ultralytics tels que YOLOv8YOLOv9, YOLOv10 et YOLO11. Pour les applications spécialisées, des modèles tels que YOLO et RT-DETR offrent des avantages uniques, tandis que FastSAM offre des capacités de segmentation efficaces.
Pour plus de détails et une plus large gamme de modèles, consultez la documentation sur les modèlesUltralytics .
