Confronto tra modelli: YOLOv7 vs YOLOv8 per il rilevamento degli oggetti
La scelta del giusto modello di rilevamento degli oggetti è fondamentale per ottenere prestazioni ottimali nelle attività di computer vision. Questa pagina offre un confronto tecnico tra YOLOv7 e Ultralytics YOLOv8, due modelli popolari nel settore. Analizzeremo le loro sfumature architettoniche, i benchmark delle prestazioni e le applicazioni ideali per guidare il processo di selezione del modello.
YOLOv7: alte prestazioni ed efficienza
YOLOv7, presentato il 2022-07-06 da Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao dell'Institute of Information Science, Academia Sinica, Taiwan, è progettato per il rilevamento di oggetti ad alta velocità e precisione. Come descritto nel documento arXiv, YOLOv7 si concentra sul "bag-of-freebies addestrabile", migliorando l'efficienza dell'addestramento e l'accuratezza del rilevamento senza aumentare il costo dell'inferenza.
Punti di forza:
- Elevata precisione e velocità: YOLOv7 raggiunge prestazioni di rilevamento degli oggetti in tempo reale all'avanguardia, come dimostrato dai suoi benchmark sul set di dati COCO.
- Architettura efficiente: Utilizza tecniche come la ri-parametrizzazione del modello e l'assegnazione dinamica delle etichette per migliorare l'efficienza dell'addestramento e dell'inferenza.
- Flessibilità: Offre diverse configurazioni di modelli (YOLOv7, YOLOv7-X, YOLOv7-W6, YOLOv7-E6, YOLOv7-D6, YOLOv7-E6E) per soddisfare le diverse esigenze di risorse computazionali e di precisione.
Punti deboli:
- Complessità: L'architettura e il processo di addestramento possono essere più complessi rispetto a modelli più semplici, richiedendo potenzialmente una maggiore esperienza per la messa a punto e l'ottimizzazione.
- Intenso di risorse: I modelli YOLOv7 di grandi dimensioni richiedono notevoli risorse computazionali per l'addestramento e la distribuzione, limitandone l'uso in ambienti con risorse limitate.
Casi d'uso ideali:
YOLOv7 è adatto alle applicazioni che richiedono un rilevamento di oggetti in tempo reale di alto livello, come ad esempio:
- Sistemi di videosorveglianza avanzati che richiedono elevata precisione e velocità.
- Guida autonoma e robotica, dove il riconoscimento preciso e veloce degli oggetti è fondamentale.
- Ispezione industriale per il rilevamento dei difetti ad alta produttività.
YOLOv8: versatilità e facilità d'uso
Ultralytics YOLOv8rilasciato il 2023-01-10 da Glenn Jocher, Ayush Chaurasia e Jing Qiu di Ultralytics, rappresenta la punta di diamante della serie YOLO . Pur non essendo accompagnato da un documento arXiv dedicato, YOLOv8 sottolinea la facilità d'uso, la flessibilità e le ottime prestazioni in una serie di attività di visione, tra cui il rilevamento di oggetti, la segmentazione e la stima della posa.
Punti di forza:
- Prestazioni equilibrate: YOLOv8 offre un forte equilibrio tra precisione e velocità, rendendolo versatile per diverse applicazioni.
- Ecosistema di facile utilizzo: Ultralytics offre una documentazione completa, modelli pre-addestrati e una perfetta integrazione con Ultralytics HUB, semplificando i flussi di lavoro dalla formazione alla distribuzione.
- Capacità multi-task: Supporta il rilevamento di oggetti, la segmentazione di istanze, la stima della posa, il rilevamento di oggetti orientati e la classificazione, fornendo una soluzione unificata per le diverse esigenze di computer vision.
- Sviluppo attivo e supporto della comunità: Beneficia di aggiornamenti continui e di un'ampia e attiva comunità open-source intorno ai progetti Ultralytics .
Punti deboli:
- Prestazioni di picco leggermente inferiori: In alcuni benchmark specifici, in particolare per quanto riguarda la velocità di rilevamento degli oggetti, YOLOv7 potrebbe superare leggermente YOLOv8 in alcune configurazioni.
- Dimensioni del modello: Pur essendo efficienti, le dimensioni dei modelli possono essere notevoli per i dispositivi edge con risorse estremamente limitate rispetto ai modelli altamente specializzati come YOLOv5 Nano.
Casi d'uso ideali:
YOLOv8 è eccezionalmente versatile e si adatta a un ampio spettro di applicazioni, tra cui:
- Applicazioni in tempo reale che richiedono un equilibrio tra velocità e precisione, come i sistemi di allarme di sicurezza e la robotica.
- Soluzioni di visione AI versatili in settori come l'agricoltura, la produzione e la sanità.
- Prototipazione e implementazione rapide grazie alla facilità d'uso e agli strumenti completi dell'ecosistema Ultralytics .
| Modello | dimensione (pixel) |
mAPval 50-95 |
Velocità CPU ONNX (ms) |
Velocità T4TensorRT10 (ms) |
params (M) |
FLOP (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 |
Per gli utenti interessati ad esplorare altri modelli, Ultralytics offre anche una gamma di modelliYOLO , tra cui l'efficiente YOLOv5e i versatili YOLOv6 e YOLOv9. Inoltre, per le attività che richiedono la segmentazione delle istanze, è possibile considerare YOLOv8.
In conclusione, sia YOLOv7 che YOLOv8 sono potenti modelli di rilevamento degli oggetti. YOLOv7 eccelle negli scenari che richiedono prestazioni massime di rilevamento in tempo reale, mentre YOLOv8 offre un'esperienza più versatile e facile da usare per diverse attività di visione e ambienti di distribuzione. La scelta deve essere guidata dalle esigenze specifiche dell'applicazione, considerando l'equilibrio tra precisione, velocità, facilità d'uso e risorse disponibili.
