Confronto tra modelli: YOLOv5 vs YOLOv6-3.0 per il rilevamento di oggetti
La scelta del modello ottimale di rilevamento degli oggetti è fondamentale per il successo delle applicazioni di visione artificiale. Sia Ultralytics YOLOv5 che Meituan YOLOv6-3.0 sono scelte popolari, note per la loro efficienza e precisione. Questa pagina fornisce un confronto tecnico per aiutarvi a decidere quale modello si adatta meglio alle esigenze del vostro progetto. Approfondiamo le loro sfumature architettoniche, i benchmark delle prestazioni, gli approcci alla formazione e le applicazioni più adatte.
Ultralytics YOLOv5
YOLOv5 è un modello di rilevamento degli oggetti a fase singola, rinomato per la sua velocità e adattabilità. Sviluppato da Ultralytics e rilasciato inizialmente il 26 giugno 2020, YOLOv5 è costruito con un'architettura flessibile che consente una facile scalabilità e personalizzazione. La sua architettura utilizza componenti come CSPBottleneck, concentrandosi sulla velocità di inferenza ottimizzata e mantenendo un equilibrio con la precisione.
- Autori: Glenn Jocher
- Organizzazione: Ultralytics
- Data: 2020-06-26
- GitHub: RepositoryYOLOv5 su GitHub
- Documentazione: DocumentiYOLOv5
YOLOv5 offre una gamma di modelli di diverse dimensioni (n, s, m, l, x), ciascuno progettato per soddisfare diversi requisiti di prestazione. I modelli più piccoli, come YOLOv5n, sono ideali per i dispositivi edge grazie alle loro dimensioni compatte e alla rapidità di inferenza, mentre i modelli più grandi, come YOLOv5x, offrono una maggiore precisione per i compiti più impegnativi. Grazie alla sua velocità ed efficienza, YOLOv5 è particolarmente indicato per le applicazioni che richiedono il rilevamento di oggetti in tempo reale.
Punti di forza di YOLOv5:
- Velocità: YOLOv5 eccelle nella velocità di inferenza, rendendolo adatto alle applicazioni in tempo reale.
- Flessibilità: La sua architettura è altamente personalizzabile e scalabile.
- Supporto della comunità: Sostenuto da una comunità ampia e attiva, che offre ampie risorse e supporto.
- Facilità d'uso: flussi di lavoro semplici per la formazione, la convalida e la distribuzione, migliorati da Ultralytics HUB.
Punti deboli di YOLOv5:
- Precisione: Pur essendo precisi, i modelli YOLOv6-3.0 più grandi possono ottenere una mAP leggermente migliore in alcuni benchmark.
Meituan YOLOv6-3.0
YOLOv6-3.0, sviluppato da Meituan e introdotto nel gennaio 2023, rappresenta un progresso nella serie YOLO , concentrandosi su una maggiore precisione e velocità. Sebbene i dettagli architettonici specifici siano reperibili nelle risorse ufficiali di YOLOv6, esso incorpora innovazioni come il modulo Bi-directional Concatenation (BiC) e la strategia Anchor-Aided Training (AAT). Questi miglioramenti mirano a incrementare l'estrazione delle caratteristiche e la precisione del rilevamento senza ridurre significativamente la velocità.
- Autori: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
- Organizzazione: Meituan
- Data: 2023-01-13
- arXiv: YOLOv6 v3.0: Una ricarica in scala reale
- GitHub: Repository GitHub di YOLOv6
- Documentazione: Documenti YOLOv6
YOLOv6-3.0 fornisce anche modelli di varie dimensioni (n, s, m, l) per bilanciare le prestazioni e le risorse computazionali. I benchmark indicano che i modelli YOLOv6-3.0 possono ottenere una mAP competitiva o superiore rispetto ai modelli YOLOv5 di dimensioni simili, soprattutto nelle configurazioni più grandi, il che suggerisce una maggiore precisione nei compiti di rilevamento degli oggetti.
Per saperne di più su YOLOv6-3.0
Punti di forza di YOLOv6-3.0:
- Precisione: Generalmente offre una mAP competitiva o migliore, soprattutto nei modelli di dimensioni maggiori.
- Velocità di inferenza: Raggiunge velocità di inferenza elevate, adatte al rilevamento di oggetti in tempo reale.
- Innovazioni architettoniche: Incorpora il modulo BiC e l'AAT per aumentare le prestazioni.
Punti deboli di YOLOv6-3.0:
- Comunità e risorse: Pur essendo efficace, potrebbe non avere l'ampio supporto della comunità e le risorse prontamente disponibili rispetto a YOLOv5.
- Integrazione: L'integrazione diretta con Ultralytics HUB e gli strumenti associati potrebbe essere meno fluida rispetto ai modelli nativi di Ultralytics .
Tabella di confronto delle prestazioni
| Modello | dimensione(pixel) | mAPval50-95 | VelocitàCPU ONNX(ms) | VelocitàT4TensoreRT10(ms) | params(M) | FLOP(B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Conclusione
Sia YOLOv5 che YOLOv6-3.0 sono modelli di rilevamento di oggetti robusti, ciascuno con punti di forza unici. YOLOv5 rimane un modello estremamente versatile e veloce, che beneficia di un ampio supporto da parte della comunità e di una perfetta integrazione nell'ecosistema Ultralytics . È una scelta eccellente per un'ampia gamma di applicazioni in tempo reale. YOLOv6-3.0 offre un'alternativa interessante per i progetti in cui è prioritaria una maggiore precisione senza sacrificare la velocità di inferenza. I suoi miglioramenti architetturali offrono un vantaggio in termini di prestazioni in determinati scenari.
Per gli utenti alla ricerca di modelli all'avanguardia, si consiglia di esplorare i nuovi modelli Ultralytics come YOLOv8, YOLOv9, YOLOv10 e YOLO11. Per le applicazioni specializzate, modelli come YOLO e RT-DETR offrono vantaggi unici, mentre FastSAM offre efficienti capacità di segmentazione.
Per ulteriori dettagli e una gamma più ampia di modelli, consultare la documentazione sui modelli diUltralytics .
