YOLOX vs. YOLOv7: une comparaison technique détaillée

Naviguer dans le paysage des modèles de détection d'objets nécessite une compréhension profonde des nuances architecturales et des compromis de performance. Ce guide fournit une comparaison technique complète entre YOLOX et YOLOv7deux architectures influentes qui ont considérablement façonné le domaine de la vision par ordinateur. Nous explorons leurs innovations structurelles, leurs mesures de référence et leurs applications pratiques pour vous aider à déterminer celle qui convient le mieux à vos projets. Alors que les deux modèles représentaient des avancées de pointe lors de leurs lancements respectifs, les développeurs modernes se tournent souvent vers l'écosystèmeUltralytics pour obtenir des flux de travail unifiés et des performances de pointe.

Comparaison directe des performances

Lors de la sélection d'un modèle, l'équilibre entre la précision moyennemAP et la latence de l'inférence est souvent le facteur décisif. YOLOX offre une famille de modèles hautement évolutifs allant de Nano à X, en mettant l'accent sur la simplicité grâce à sa conception sans ancrage. À l'inverse, YOLOv7 se concentre sur l'optimisation du compromis vitesse-précision pour les applications en temps réel en utilisant des optimisations architecturales avancées.

Les données illustrent des points forts distincts. YOLOXnano est incroyablement léger, ce qui le rend idéal pour les environnements où les ressources sont extrêmement limitées. Cependant, pour les scénarios à haute performance, YOLOv7x fait preuve d'une précision (53,1 % mAP) et d'une efficacité supérieures, offrant une précision plus élevée que YOLOXx avec beaucoup moins d'opérations en virgule flottante (FLOP) et des temps d'inférence plus rapides sur les GPU T4.

YOLOX : Simplicité via Anchor-Free Design

YOLOX a marqué un changement de paradigme dans la série YOLO en abandonnant le mécanisme basé sur l'ancrage en faveur d'une approche sans ancrage. Ce choix de conception simplifie le processus de formation et élimine le besoin de réglage manuel de la boîte d'ancrage, qui nécessite souvent une optimisation heuristique spécifique au domaine.

• Auteurs : Zheng Ge, Songtao Liu, Feng Wang, Zeming Li et Jian Sun
• Organisation :Megvii
• Date : 2021-07-18
• Arxiv :https://arxiv.org/abs/2107.08430
• GitHub :https://github.com/Megvii-BaseDetection/YOLOX

Architecture et innovations clés

YOLOX intègre une structure de tête découplée, séparant les tâches de classification et de régression. Cette séparation permet au modèle d'apprendre des caractéristiques distinctes pour reconnaître ce qu'est un objet par rapport à son emplacement, ce qui conduit à une convergence plus rapide et à une meilleure précision. En outre, YOLOX utilise SimOTA, une stratégie avancée d'attribution d'étiquettes qui fait correspondre dynamiquement les échantillons positifs aux objets de la vérité de terrain, améliorant ainsi la robustesse du modèle dans les scènes encombrées.

Cas d'utilisation et limites

YOLOX excelle dans les scénarios où le déploiement du modèle doit être rationalisé sur différentes plates-formes matérielles sans réglage approfondi des hyperparamètres. Ses variantes légères (Nano/Tiny) sont populaires pour les applications mobiles. Cependant, ses performances maximales à plus grande échelle ont été dépassées par des architectures plus récentes telles que YOLOv7 et YOLO11qui utilisent des réseaux d'agrégation de caractéristiques plus complexes.

En savoir plus sur YOLOX

YOLOv7: La puissance du "sac de gratuité

Publié un an après YOLOX, YOLOv7 a introduit une série de réformes architecturales visant à optimiser le processus de formation afin d'améliorer les résultats de l'inférence uniquement grâce à un "sac de gratuités formables".

• Auteurs : Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao
• Organisation : Institut des sciences de l'information, Academia Sinica
• Date : 2022-07-06
• Arxiv :https://arxiv.org/abs/2207.02696
• GitHub :https://github.com/WongKinYiu/yolov7

Architecture et innovations clés

Le cœur de YOLOv7 est le réseau d'agrégation de couches efficace étendu (E-ELAN). Cette architecture permet au réseau d'apprendre des caractéristiques plus diverses en contrôlant les chemins de gradient les plus courts et les plus longs, ce qui garantit une convergence efficace pour les réseaux très profonds. En outre, YOLOv7 utilise des techniques de mise à l'échelle du modèle spécialement conçues pour les modèles basés sur la concaténation, garantissant que l'augmentation de la profondeur et de la largeur du modèle se traduit linéairement par des gains de performance sans diminution des rendements.

YOLOv7 utilise également de manière efficace des têtes auxiliaires pendant la formation pour assurer une supervision grossière à fine, une technique qui améliore la précision de la tête de détection principale sans ajouter de coût de calcul pendant le déploiement.

Cas d'utilisation et limites

Avec son rapport vitesse/précision exceptionnel, YOLOv7 est un concurrent de premier plan pour l'analyse vidéo en temps réel et les tâches d'informatique de pointe où chaque milliseconde compte. Il a repoussé les limites de ce qui était possible avec du matériel GPU standard (comme le V100 et le T4). Cependant, la complexité de son architecture peut rendre difficile sa modification ou son réglage fin pour des tâches personnalisées en dehors de la détection d'objets standard.

En savoir plus sur YOLOv7

L'avantage Ultralytics : Pourquoi moderniser ?

Bien que YOLOX et YOLOv7 restent des outils performants, le domaine de la vision par ordinateur évolue rapidement. Les développeurs et chercheurs modernes préfèrent de plus en plus l'écosystèmeUltralytics avec des modèles tels que YOLO11 et YOLOv8 en raison de leur support complet, de leur conception unifiée et de leur facilité d'utilisation.

Une expérience simplifiée pour les développeurs

L'un des principaux obstacles aux anciens modèles est la fragmentation des bases de code. Ultralytics résout ce problème en fournissant une API Python et une CLI unifiées qui fonctionnent de manière cohérente sur toutes les versions du modèle. Vous pouvez passer de la détection à la segmentation ou à la classification en une seule ligne de code.

from ultralytics import YOLO

# Load a model (YOLO11 or YOLOv8)
model = YOLO("yolo11n.pt")  # or "yolov8n.pt"

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

# Export to ONNX for deployment
model.export(format="onnx")

Principaux avantages des modèles Ultralytics

• Polyvalence : Contrairement à YOLOX et YOLOv7, qui se concentrent principalement sur la détection, les modèles Ultralytics prennent en charge la segmentation des instances, l'estimation de la pose, la classification et la détection d'objets orientés (OBB).
• Un écosystème bien entretenu : Des mises à jour fréquentes garantissent la compatibilité avec les dernières versions de PyTorch, CUDA et Python. La communauté active et la documentation détaillée réduisent le temps passé à déboguer les problèmes d'environnement.
• Équilibre des performances : Les modèles tels que YOLO11 représentent l'état de l'art le plus récent, offrant une précision supérieure et une latence inférieure à celles de YOLOX et YOLOv7. Ils sont optimisés pour l'inférence en temps réel sur divers matériels, des appareils périphériques aux serveurs en nuage.
• Efficacité de la formation : Les modèles Ultralytics sont conçus pour converger plus rapidement, ce qui permet d'économiser de précieuses heures de GPU . Les poids pré-entraînés sont facilement disponibles pour une variété de tâches, ce qui rend l'apprentissage par transfert simple.
• Exigences en matière de mémoire : Ces modèles sont conçus pour être efficaces et nécessitent généralement moins de VRAM lors de l'apprentissage et de l'inférence que les modèles basés sur les transformateurs (comme RT-DETR, ce qui les rend accessibles sur du matériel grand public.

En savoir plus sur YOLO11

Conclusion

YOLOX et YOLOv7 ont tous deux gagné leur place dans l'histoire de la vision par ordinateur. YOLOX a démocratisé l'approche sans ancrage, en proposant un pipeline simplifié, facile à comprendre et à déployer sur de petits appareils. YOLOv7 a repoussé les limites de la performance, prouvant qu'une conception architecturale efficace pouvait apporter des gains massifs en termes de vitesse et de précision.

Cependant, pour ceux qui construisent aujourd'hui des systèmes d'IA de niveau production, la recommandation penche fortement en faveur de la solution Ultralytics YOLO d'Ultralytics. Avec YOLO11vous avez accès à une plateforme polyvalente, robuste et conviviale qui gère les complexités des MLOps, vous permettant de vous concentrer sur la résolution des problèmes du monde réel.

Explorer d’autres comparaisons

Afin d'éclairer davantage votre choix de modèle, nous vous invitons à consulter les comparaisons suivantes :

• YOLOX vs. YOLOv8
• YOLOv7 vs. YOLOv8
• RT-DETR vs. YOLOv7
• YOLOv5 vs YOLOX
• YOLOv6 vs. YOLOv7

Commentaires