Comparaison de modèles : YOLOv7 vs YOLOv8 pour la détection d'objets
Le choix du bon modèle de détection d'objets est crucial pour obtenir des performances optimales dans les tâches de vision par ordinateur. Cette page propose une comparaison technique entre YOLOv7 et Ultralytics YOLOv8, deux modèles populaires dans le domaine. Nous analyserons leurs nuances architecturales, leurs performances et leurs applications idéales afin de guider votre processus de sélection de modèle.
YOLOv7 : Haute performance et efficacité
YOLOv7, présenté le 2022-07-06 par Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao de l'Institut des sciences de l'information, Academia Sinica, Taïwan, est conçu pour une détection d'objets rapide et précise. Détaillé dans son article arXiv, YOLOv7 se concentre sur le "trainable bag-of-freebies", améliorant l'efficacité de l'entraînement et la précision de la détection sans augmenter le coût de l'inférence.
Points forts :
- Précision et rapidité élevées : YOLOv7 atteint des performances de pointe en matière de détection d'objets en temps réel, comme le démontrent les tests effectués sur l'ensemble de données COCO.
- Architecture efficace : Utilise des techniques telles que le re-paramétrage du modèle et l'attribution dynamique d'étiquettes pour améliorer l'efficacité de la formation et de l'inférence.
- Flexibilité : Offre diverses configurations de modèles (YOLOv7, YOLOv7-X, YOLOv7-W6, YOLOv7-E6, YOLOv7-D6, YOLOv7-E6E) pour répondre aux différents besoins en matière de ressources de calcul et de précision.
Faiblesses :
- Complexité : L'architecture et le processus de formation peuvent être plus complexes que les modèles plus simples, ce qui peut nécessiter une plus grande expertise pour les ajuster et les optimiser.
- Exigeant en termes de ressources : Les grands modèles YOLOv7 nécessitent d'importantes ressources informatiques pour la formation et le déploiement, ce qui limite leur utilisation dans des environnements où les ressources sont limitées.
Cas d'utilisation idéaux :
YOLOv7 est bien adapté aux applications nécessitant une détection d'objets en temps réel de haut niveau, telles que :
- Systèmes de vidéosurveillance avancés nécessitant une précision et une vitesse élevées.
- Conduite autonome et robotique où la reconnaissance précise et rapide des objets est essentielle.
- Inspection industrielle pour la détection de défauts à haut débit.
YOLOv8: Polyvalence et convivialité
Ultralytics YOLOv8YOLO , publié le 2023-01-10 par Glenn Jocher, Ayush Chaurasia et Jing Qiu chez Ultralytics, représente le dernier cri de la série YOLO . Bien qu'il ne soit pas accompagné d'un article arXiv dédié, YOLOv8 met l'accent sur la facilité d'utilisation, la flexibilité et les performances élevées dans toute une série de tâches de vision, y compris la détection d'objets, la segmentation et l'estimation de la pose.
Points forts :
- Des performances équilibrées : YOLOv8 offre un bon équilibre entre la précision et la vitesse, ce qui le rend polyvalent pour diverses applications.
- Un écosystème convivial : Ultralytics fournit une documentation complète, des modèles pré-entraînés et une intégration transparente avec Ultralytics HUB, ce qui simplifie les flux de travail, de la formation au déploiement.
- Capacités multitâches : Prise en charge de la détection d'objets, de la segmentation d'instances, de l'estimation de la pose, de la détection d'objets orientés et de la classification, offrant une solution unifiée pour divers besoins en matière de vision par ordinateur.
- Développement actif et soutien de la communauté : Bénéficie de mises à jour continues et d'une communauté open-source importante et active autour des projets Ultralytics .
Faiblesses :
- Performances maximales légèrement inférieures : Dans certains benchmarks, en particulier pour la vitesse de détection d'objets, YOLOv7 peut être légèrement plus performant que YOLOv8 dans certaines configurations.
- Taille du modèle : Bien qu'efficace, la taille des modèles peut encore être importante pour les appareils périphériques aux ressources extrêmement limitées par rapport à des modèles hautement spécialisés comme le YOLOv5 Nano.
Cas d'utilisation idéaux :
YOLOv8 est exceptionnellement polyvalent et s'adapte à un large éventail d'applications :
- Applications en temps réel nécessitant un équilibre entre vitesse et précision, telles que les systèmes d'alarme de sécurité et la robotique.
- Solutions polyvalentes d'IA visionnaire pour des secteurs tels que l'agriculture, la fabrication et les soins de santé.
- Prototypage et déploiement rapides grâce à sa facilité d'utilisation et à l'ensemble des outils de l'écosystème Ultralytics .
| Modèle | taille (pixels) |
mAPval 50-95 |
Vitesse CPU ONNX (ms) |
Vitesse T4 TensorRT10 (ms) |
params (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 |
Pour les utilisateurs intéressés par d'autres modèles, Ultralytics propose également une gamme de modèlesYOLO , dont l'efficace YOLOv5efficace, et les polyvalents YOLOv6 et YOLOv9. En outre, pour les tâches nécessitant une segmentation des instances, envisagez YOLOv8.
En conclusion, YOLOv7 et YOLOv8 sont tous deux de puissants modèles de détection d'objets. YOLOv7 excelle dans les scénarios exigeant des performances de détection en temps réel, tandis que YOLOv8 offre une expérience plus polyvalente et plus conviviale pour diverses tâches de vision et divers environnements de déploiement. Votre choix doit être guidé par les besoins spécifiques de votre application, en tenant compte de l'équilibre entre la précision, la vitesse, la facilité d'utilisation et les ressources disponibles.
