YOLOv6.0 vs YOLOv8: une comparaison technique complète

Le choix de l'architecture optimale de détection d'objets est une décision cruciale dans le développement de la vision par ordinateur, car elle influe sur tous les aspects, de la latence de l'inférence à la flexibilité du déploiement. Ce guide fournit une analyse technique approfondie comparant YOLOv6.0, développé par Meituan, et Ultralytics YOLOv8un modèle de pointe développé par Ultralytics. Nous examinons leurs caractéristiques architecturales, leurs performances et leur adéquation aux applications réelles afin de vous aider à faire un choix éclairé.

Si les deux frameworks donnent des résultats impressionnants, YOLOv8 se distingue par une polyvalence inégalée, un écosystème centré sur les développeurs et un équilibre supérieur entre vitesse et précision sur diverses plates-formes matérielles.

YOLOv6.0

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 :https://arxiv.org/abs/2301.05586
GitHub YOLOv6https://github.com/meituan/YOLOv6
Docs :ultralytics

YOLOv6.0 est un cadre de détection d'objets en une seule étape conçu pour les applications industrielles. En privilégiant des conceptions de réseau respectueuses du matériel, il vise à maximiser le débit d'inférence sur des GPU dédiés, ce qui en fait un concurrent de taille pour les environnements où la latence est strictement limitée par la vitesse des chaînes de production.

Architecture et principales fonctionnalités

L'architecture de YOLOv6.0 est construite autour du concept de re-paramétrage. Elle utilise une épine dorsale EfficientRep et un cou Rep-PAN, qui permettent au réseau d'avoir des structures complexes pendant la formation, mais qui se simplifient en couches convolutives rationalisées pendant l'inférence. Ce "re-paramétrage structurel" permet de réduire la latence sans sacrifier la capacité d'extraction des caractéristiques.

En outre, YOLOv6.0 utilise une conception de tête découplée, séparant les tâches de classification et de régression, et intègre les stratégies d'attribution d'étiquettes de SimOTA. Le cadre met également l'accent sur la formation tenant compte de la quantification (QAT) afin de faciliter le déploiement sur les appareils périphériques nécessitant une arithmétique de faible précision.

Points forts et faiblesses

Le modèle brille dans les scénarios de fabrication industrielle où les GPU haut de gamme sont disponibles, offrant des vitesses d'inférence compétitives. L'accent mis sur la quantification facilite également le déploiement sur des accélérateurs matériels spécifiques. Cependant, YOLOv6 est principalement conçu pour la détection d'objets, et ne dispose pas du support natif et transparent pour des tâches de vision artificielle plus larges telles que l'estimation de la pose ou les boîtes de délimitation orientées que l'on trouve dans des frameworks plus complets. En outre, l'écosystème est moins étendu, ce qui peut se traduire par une plus grande friction lors de l'intégration avec des outils MLOps tiers ou de la recherche d'un soutien communautaire.

En savoir plus sur YOLOv6

Ultralytics YOLOv8

Auteurs: Glenn Jocher, Ayush Chaurasia et Jing Qiu
Organisation: Ultralytics
Date: 2023-01-10
Arxiv: None
GitHub ultralyticshttps://github.com/ultralytics/ultralytics
Docs :yolov8

Ultralytics YOLOv8 représente une avancée significative dans la série YOLO , conçue non seulement comme un modèle mais aussi comme un cadre unifié pour l'IA pratique. Il redéfinit les performances de pointe (SOTA) en combinant l'efficacité architecturale avec une expérience utilisateur intuitive, rendant la vision par ordinateur avancée accessible aux chercheurs et aux développeurs.

Architecture et principales fonctionnalités

YOLOv8 introduit un mécanisme de détection sans ancrage très efficace, qui élimine la nécessité de calculer manuellement la boîte d'ancrage et améliore la généralisation sur divers ensembles de données. Son architecture comporte une nouvelle colonne vertébrale utilisant des modules C2f (Cross-Stage Partial connections with fusion), qui améliorent le flux de gradient et la richesse des caractéristiques tout en conservant une empreinte légère.

La tête découplée de YOLOv8 traite l'objectivité, la classification et la régression de manière indépendante, ce qui permet d'améliorer la précision de la convergence. Le modèle prend en charge un éventail complet de tâches -détection d'objets, segmentation d'instances, classification d'images, estimation de la pose et boîtes de délimitation orientées (OBB) - au sein d'un seul paquetage Python installable.

Pourquoi choisir YOLOv8?

• Facilité d'utilisation : Avec un simple pip install ultralyticsles développeurs ont accès à un puissant CLI et à une API Python . Cette interface simplifiée expérience utilisateur réduit le temps entre l'installation et la première formation de quelques heures à quelques minutes.
• Un écosystème bien entretenu : Ultralytics fournit un écosystème solide comprenant Ultralytics HUB pour la gestion des modèles, des discussions actives sur GitHub et des intégrations transparentes avec des outils tels que TensorBoard et MLflow.
• Équilibre des performances : Comme l'illustrent les mesures ci-dessous, YOLOv8 atteint un mAP supérieur avec moins de paramètres et de FLOP, offrant un compromis optimal pour le déploiement en temps réel à la fois sur les appareils périphériques et les serveurs en nuage.
• Polyvalence : Contrairement à ses concurrents qui se concentrent uniquement sur la détection, YOLOv8 gère la segmentation, le suivi et la classification de manière native, ce qui vous permet de passer d'une tâche à l'autre sans avoir à apprendre un nouveau cadre de travail.

En savoir plus sur YOLOv8

Comparaison des performances

Le tableau suivant présente une comparaison détaillée des mesures de performance sur l'ensemble de données COCO val2017. Les points forts indiquent la meilleure performance dans chaque catégorie.

Analyse critique

Les données révèlent des avantages distincts pour l'architecture Ultralytics :

1. Efficacité et utilisation des ressources: YOLOv8 utilise systématiquement beaucoup moins de paramètres et de FLOP pour atteindre une précision comparable ou supérieure. Par exemple, YOLOv8s correspond à la précision de YOLOv6.0s (environ 45 mAP) mais nécessite ~40% de paramètres en moins et ~37% de FLOPs en moins. Cette réduction se traduit directement par une consommation de mémoire plus faible et des temps d'apprentissage plus rapides.
2. Leadership en matière de précision: À l'extrémité supérieure du spectre, les modèles YOLOv8 (M, L, X) repoussent les limites de la précision, YOLOv8x atteignant 53,9 mAP, ce qui est supérieur aux plus grandes variantes de YOLOv6 répertoriées.
3. InférenceCPU : YOLOv8 fournit des repères transparents pour l'inférence CPU via ONNXdémontrant ainsi sa viabilité pour un déploiement sur du matériel standard sans accélérateurs spécialisés. Ceci est crucial pour les applications évolutives dans la logistique ou le commerce de détail où les GPU ne sont pas toujours disponibles.

Cas d'utilisation et applications

Le choix entre ces modèles dépend souvent de l'environnement de déploiement spécifique et des exigences de la tâche.

Les points forts de YOLOv8

YOLOv8 est le choix recommandé pour la grande majorité des projets de vision par ordinateur en raison de son adaptabilité :

• Edge AI & IoT: Grâce à son faible nombre de paramètres et à sa grande efficacité, YOLOv8 est idéal pour des appareils tels que le Raspberry Pi ou le NVIDIA Jetson.
• Systèmes multitâches: Les projets nécessitant le suivi d'objets (par exemple, la surveillance du trafic) ou la segmentation (par exemple, l'imagerie médicale) bénéficient de la base de code unifiée de YOLOv8.
• Prototypage rapide: La facilité d'utilisation et les nombreux poids pré-entraînés permettent aux startups et aux équipes de recherche d'itérer rapidement.
• Solutions d'entreprise: Grâce à l'intégration dans des plates-formes telles que Roboflow et la prise en charge de formats tels que CoreML et TFLiteYOLOv8 passe sans problème du prototype à la production.

La place de YOLOv6.0

YOLOv6.0 reste une option solide pour les scénarios industriels de niche :

• Lignes de GPU dédiées: Dans les usines avec des pipelines établis utilisant des GPU NVIDIA T4/A10 exécutant TensorRT, les optimisations matérielles spécifiques de YOLOv6 permettent d'obtenir des gains de latence marginaux.
• Intégration des systèmes existants: Pour les systèmes déjà construits autour de dorsales de type RepVGG, l'intégration de YOLOv6 pourrait nécessiter moins d'ajustements architecturaux.

Formation et expérience des développeurs

L'un des principaux facteurs de différenciation est l'expérience du développeur. Ultralytics privilégie une approche à code réduit et à fonctionnalité élevée.

Une formation sans faille avec YOLOv8

L'entraînement d'un modèle YOLOv8 est simple. Le cadre gère automatiquement l'augmentation des données, l'évolution des hyperparamètres et le traçage.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model

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

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

En revanche, si YOLOv6 propose des scripts pour l'apprentissage, cela implique souvent une configuration plus manuelle des variables d'environnement et des dépendances. L'intégration de YOLOv8 avec le HUBUltralytics simplifie encore les choses en offrant une gestion des ensembles de données basée sur le web et une formation des modèles en un clic.

Conclusion

YOLOv6.0 offre une solution robuste pour les tâches de détection industrielles spécifiques GPU, Ultralytics YOLOv8 d'Ultralytics s'impose comme la solution supérieure et globale pour la vision par ordinateur moderne. L'efficacité de son architecture permet d'obtenir une plus grande précision par paramètre, et sa polyvalence pour les tâches de détection, de segmentation et de classification lui permet d'être à l'épreuve du temps. Associé à un écosystème inégalé et à une grande facilité d'utilisation, YOLOv8 permet aux développeurs de créer, de déployer et de mettre à l'échelle des solutions d'IA en toute confiance.

Explorer d'autres modèles

Pour ceux qui s'intéressent au paysage plus large de la détection d'objets, Ultralytics prend en charge un large éventail de modèles. Vous pouvez comparer YOLOv8 à l'ancien modèle YOLOv5 pour comprendre l'évolution de l'architecture, ou explorer le modèle de pointe YOLO11 à la pointe de la technologie, pour bénéficier des performances les plus récentes. En outre, pour les approches basées sur les transformateurs, le produit RT-DETR offre des avantages uniques en matière de détection en temps réel.

Commentaires