YOLOv8 vs YOLO: Comparaison technique détaillée
Le choix du bon modèle de détection d'objets est essentiel pour les projets de vision par ordinateur. Cette page propose une comparaison technique entre Ultralytics YOLOv8 et YOLO, deux modèles de pointe, en analysant leurs architectures, leurs performances et leurs applications.
Ultralytics YOLOv8
Ultralytics YOLOv8 est la dernière itération de la série YOLO , connue pour son équilibre entre vitesse et précision dans la détection d'objets et d'autres tâches de vision telles que la segmentation d'instances et l'estimation de la pose. Développé par Glenn Jocher, Ayush Chaurasia et Jing Qiu d'Ultralytics et publié le 2023-01-10, YOLOv8 s'appuie sur les versions précédentes de YOLO en apportant des améliorations architecturales et en mettant l'accent sur la convivialité. Sa documentation met l'accent sur la facilité d'utilisation et la polyvalence, ce qui le rend adapté à un large éventail d'applications et d'utilisateurs, des débutants aux experts.
Points forts :
- Performance: YOLOv8 permet d'atteindre une mAP de pointe tout en conservant des vitesses d'inférence impressionnantes. Il offre différentes tailles de modèles (n, s, m, l, x) pour répondre à différents besoins de calcul.
- Polyvalence: Au-delà de la détection d'objets, YOLOv8 prend en charge de multiples tâches de vision, notamment la segmentation, la classification et l'estimation de la pose, offrant ainsi une solution unifiée pour divers besoins en matière de vision par ordinateur.
- Facilité d'utilisation: Ultralytics fournit une documentation et des outils complets, simplifiant la formation, le déploiement et l'intégration avec des plateformes comme Ultralytics HUB.
- Soutien de la communauté: Une communauté importante et active de logiciels libres garantit une amélioration continue et un large soutien.
Faiblesses :
- Intensif en ressources: Les grands modèles YOLOv8 nécessitent d'importantes ressources informatiques pour l'apprentissage et l'inférence.
- Besoins d'optimisation: Pour les appareils dont les ressources sont extrêmement limitées, une optimisation plus poussée, comme l'élagage du modèle, peut s'avérer nécessaire.
Cas d'utilisation :
La polyvalence de YOLOv8 le rend idéal pour un large éventail d'applications, de l'analyse vidéo en temps réel dans les systèmes de sécurité et les villes intelligentes aux tâches complexes dans les domaines de la santé et de la fabrication. Sa facilité d'utilisation en fait également un excellent outil de prototypage et de développement rapides.
DAMO-YOLO
YOLO est un modèle de détection d'objets développé par Alibaba Group et présenté dans un article publié sur ArXiv le 2022-11-23. Rédigé par Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang et Xiuyu Sun, YOLO se concentre sur la création d'un détecteur rapide et précis en employant des techniques innovantes. Celles-ci incluent des backbones basés sur NAS, un RepGFPN efficace et un ZeroHead, ainsi que des stratégies d'entraînement avancées comme AlignedOTA et l'amélioration de la distillation. La documentation officielle et le dépôt GitHub fournissent des détails sur son architecture et sa mise en œuvre.
Points forts :
- Haute précision: YOLO est conçu pour une grande précision, atteignant des scores mAP compétitifs, excellant particulièrement dans les scénarios nécessitant une détection précise des objets.
- Une conception efficace: Les innovations architecturales telles que le ZeroHead contribuent à un modèle rationalisé, équilibrant la précision et l'efficacité des calculs.
- Techniques avancées: Incorpore des techniques de pointe telles que la recherche d'architecture neuronale (NAS) pour la conception de l'épine dorsale et AlignedOTA pour l'optimisation de la formation.
Faiblesses :
- Polyvalence limitée des tâches: Principalement axé sur la détection d'objets, il ne dispose pas des capacités multitâches de YOLOv8.
- Documentation et communauté: Comparé à YOLOv8, YOLO peut avoir une communauté plus petite et une documentation moins étendue, ce qui peut poser des problèmes aux nouveaux utilisateurs ou à ceux qui recherchent un soutien plus large.
- Vitesse d'inférence: Bien qu'efficace, les comparaisons directes de vitesse avec YOLOv8 sur des benchmarks standards sont moins facilement disponibles, et la vitesse peut varier en fonction des implémentations spécifiques et du matériel.
Cas d'utilisation :
YOLO est bien adapté aux applications où une grande précision de détection est primordiale, telles que la conduite autonome, l'inspection industrielle de haute précision et les systèmes de vidéosurveillance avancés. L'accent mis sur la précision et l'efficacité en fait un concurrent de taille pour les scénarios dans lesquels une détection détaillée et fiable des objets est cruciale.
Tableau de comparaison des performances
| Modèle | taille (pixels) |
mAPval 50-95 |
Vitesse CPU ONNX (ms) |
Vitesse T4 TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
Conclusion
YOLOv8 et YOLO sont tous deux de puissants modèles de détection d'objets. YOLOv8 se distingue par sa polyvalence, sa facilité d'utilisation et sa forte communauté, ce qui le rend adapté à un large éventail de tâches et de scénarios de développement. YOLO excelle par sa précision et sa conception efficace, ce qui en fait un choix judicieux pour les applications exigeant une détection précise des objets. Les utilisateurs intéressés par d'autres modèles pourraient également considérer YOLOv7, YOLOv9, ou YOLOX en fonction de leurs besoins spécifiques et de leurs priorités.
