YOLOv7 vs YOLOX : Comparaison technique détaillée
Le choix du modèle optimal de détection d'objets est une décision cruciale pour les projets de vision par ordinateur. Ultralytics offre une suite de modèles de pointe, et la compréhension de leurs forces spécifiques est essentielle pour atteindre les meilleures performances. Cette page fournit une comparaison technique de deux modèles populaires, YOLOv7 et YOLOX, détaillant leurs nuances architecturales, leurs performances et les scénarios de déploiement idéaux.
YOLOv7 : détection efficace et précise
YOLOv7, présenté en juillet 2022 par Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao de l'Institute of Information Science, Academia Sinica, Taiwan, est conçu pour une détection efficace et précise des objets. Il s'appuie sur les modèles YOLO précédents et intègre des améliorations architecturales pour une vitesse et une précision accrues.
Architecture et caractéristiques principales
YOLOv7 (paper : arXiv, GitHub : Official Repo) présente plusieurs innovations, notamment le réseau d'agrégation de couches efficace (E-ELAN) qui optimise l'utilisation des paramètres et des calculs. Il utilise également des techniques de mise à l'échelle du modèle et de re-paramétrage planifié pour améliorer l'efficacité de l'entraînement et la précision de la détection. Ces caractéristiques permettent à YOLOv7 d'obtenir des résultats de pointe avec un modèle de taille relativement compacte, ce qui le rend adapté aux applications en temps réel et au déploiement sur des appareils aux ressources limitées. Pour plus d'informations, consultez la documentation officielle de YOLOv7.
Mesures de performance et cas d'utilisation
YOLOv7 excelle dans les scénarios exigeant à la fois une inférence rapide et une grande précision. Ses mesures impressionnantes de mAP et de vitesse en font un choix judicieux pour des applications telles que l'analyse vidéo en temps réel, les systèmes de conduite autonome et le traitement d'images à haute résolution. Dans les déploiements de villes intelligentes, YOLOv7 pourrait être utilisé pour la gestion du trafic ou l'amélioration des systèmes de sécurité pour la détection immédiate des menaces.
YOLOX : L'excellence sans ancrage dans la détection d'objets
YOLOX, développé par Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun à Megvii et publié en juillet 2021 (paper : arXiv, GitHub : Official Repo), adopte une approche sans ancrage pour la détection d'objets, simplifiant le pipeline de détection et améliorant la généralisation.
Architecture et caractéristiques principales
YOLOX (documentation : ReadTheDocs) s'écarte des modèles YOLO traditionnels en éliminant les boîtes d'ancrage prédéfinies. Cette conception sans ancrage réduit la complexité et peut conduire à de meilleures performances, en particulier pour les objets de formes variées. Il intègre des têtes découplées pour séparer les tâches de classification et de régression, et utilise des stratégies avancées d'attribution d'étiquettes telles que SimOTA (Simplified Optimal Transport Assignment). Ces choix architecturaux contribuent à la robustesse et à la facilité de mise en œuvre de YOLOX.
Mesures de performance et cas d'utilisation
YOLOX offre un équilibre convaincant entre vitesse et précision. Son absence d'ancrage peut s'avérer particulièrement avantageuse dans les applications traitant d'objets de tailles et de rapports d'aspect variés. YOLOX est bien adapté à des applications telles que la robotique, l'inspection industrielle et l'analyse du commerce de détail. Par exemple, dans le domaine de la fabrication, il peut être utilisé pour l'inspection de la qualité afin de détecter efficacement les défauts sans être limité par des formes d'ancrage prédéfinies.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Les utilisateurs intéressés par d'autres modèles de YOLO pourraient également envisager d'explorer :
- YOLOv8: La dernière itération de la série YOLO d'Ultralytics, offrant des performances et une polyvalence de pointe.
- YOLOv5: Connu pour sa facilité d'utilisation et son efficacité, avec plusieurs tailles de modèles pour différents besoins.
- YOLOv6: un cadre de détection d'objets en une seule étape très performant.
- YOLO11: Un modèle récent axé sur l'efficacité et l'amélioration des performances.
