YOLOv10 vs. YOLO: Uma comparação técnica detalhada para a deteção de objectos

A escolha do modelo de deteção de objectos ideal é crucial para as aplicações de visão por computador, com modelos que diferem significativamente em termos de precisão, velocidade e eficiência. Esta página oferece uma comparação técnica detalhada entre o YOLOv10 e o YOLO, dois modelos avançados no panorama da deteção de objectos. Iremos explorar as suas arquitecturas, referências de desempenho e aplicações adequadas para orientar o seu processo de seleção de modelos.

YOLOv10

O YOLOv10 é a mais recente evolução da série YOLO , conhecida pelas suas capacidades de deteção de objectos em tempo real. Desenvolvido por investigadores da Universidade de Tsinghua, e apresentado em 2024-05-23(arXiv preprint arXiv:2405.14458), o YOLOv10 foi concebido para uma eficiência de ponta a ponta e um desempenho melhorado. A implementação oficial PyTorch está disponível no GitHub.

Arquitetura e principais caraterísticas

O YOLOv10 apresenta várias inovações centradas na simplificação da arquitetura e na melhoria do equilíbrio entre velocidade e precisão, avançando para uma formação sem NMS e uma conceção de modelos eficiente. Os principais destaques da arquitetura incluem:

• Treinamento sem NMS: Emprega atribuições duplas consistentes para treinamento sem Supressão Não Máxima (NMS), reduzindo a sobrecarga de pós-processamento e a latência de inferência.
• Conceção holística orientada para a eficiência e a precisão: Otimização abrangente de vários componentes do modelo para minimizar a redundância computacional e melhorar as capacidades de deteção.
• Estrutura de backbone e de rede: Camadas de extração de caraterísticas refinadas e uma estrutura de rede simplificada para uma melhor eficiência dos parâmetros e um processamento mais rápido.

Métricas de desempenho

O YOLOv10 oferece um desempenho de ponta em várias escalas de modelos, fornecendo uma gama de opções para atender a diferentes necessidades computacionais. As métricas de desempenho no conjunto de dados COCO incluem:

• mAP: Atinge uma precisão média competitiva (mAP) no conjunto de dados de validação COCO. Por exemplo, o YOLOv10-S atinge 46,7% de _mAPval50-95.
• Velocidade de inferência: Oferece velocidades de inferência impressionantes, com o YOLOv10-N a atingir um tempo de inferência de 1,56 ms no TensorRT10 T4.
• Tamanho do modelo: Disponível em vários tamanhos (N, S, M, B, L, X) com tamanhos de modelo que variam entre os parâmetros 2,3M para YOLOv10-N e 56,9M para YOLOv10-X.

Pontos fortes e pontos fracos

Pontos fortes:

• Desempenho em tempo real: Optimizado para velocidade e eficiência, tornando-o ideal para aplicações em tempo real.
• Elevada precisão: Atinge a mais alta precisão, especialmente com variantes de modelos maiores como o YOLOv10-X.
• Eficiência de ponta a ponta: O design sem NMS reduz a latência e simplifica a implantação.
• Versatilidade: Adequado para várias tarefas de deteção de objectos e adaptável a diferentes plataformas de hardware, incluindo dispositivos de ponta como o Raspberry Pi e o NVIDIA Jetson.
• Facilidade de utilização: A integração com opacote Ultralytics Python simplifica os fluxos de trabalho de formação, validação e implementação.

Pontos fracos:

• Modelo emergente: Sendo um modelo recente, o apoio da comunidade e os pesos pré-treinados em ecossistemas mais amplos podem ainda estar a desenvolver-se em comparação com modelos mais estabelecidos.
• Compensação: Os modelos mais pequenos dão prioridade à velocidade, potencialmente à custa de alguma precisão em comparação com variantes maiores ou modelos mais complexos.

Casos de utilização

O YOLOv10 é adequado para aplicações que requerem uma deteção de objectos precisa e de alta velocidade, tais como

• Sistemas autónomos: Automóveis de condução autónoma e robótica.
• Segurança e vigilância: Sistemas de alarme de segurança e monitorização em tempo real.
• Automação industrial: Controlo da qualidade do fabrico e automatização de processos.
• Análise de retalho: Gestão de stocks e análise do comportamento dos clientes.

Saiba mais sobre o YOLOv10

DAMO-YOLO

O YOLO, desenvolvido pelo Grupo Alibaba, é um modelo de deteção de objectos de elevado desempenho apresentado em 2022(arXiv preprint arXiv:2211.15444v2). Foi concebido para ser rápido e preciso, incorporando várias técnicas avançadas para uma deteção de objectos eficiente. A implementação oficial e a documentação estão disponíveis no GitHub.

Arquitetura e principais caraterísticas

A YOLO integra vários componentes inovadores para alcançar um equilíbrio entre velocidade e precisão:

• Backbone NAS: Utiliza a Pesquisa de Arquitetura Neural (NAS) para conceber redes de backbone eficientes optimizadas para tarefas de deteção de objectos.
• RepGFPN eficiente: Emprega uma rede de pirâmide de caraterísticas de gradiente reparametrizado (RepGFPN) para fusão eficiente de caraterísticas e representação de caraterísticas em várias escalas.
• ZeroHead: Uma cabeça de deteção leve concebida para minimizar a sobrecarga computacional, mantendo a precisão da deteção.
• AlignedOTA: Utiliza a Aligned Optimal Transport Assignment (AlignedOTA) para uma melhor atribuição de etiquetas durante a formação, melhorando o desempenho da deteção.
• Melhoria da destilação: Incorpora técnicas de destilação de conhecimento para aumentar ainda mais o desempenho do modelo.

Métricas de desempenho

Os modelos YOLO estão disponíveis em vários tamanhos (Tiny, Small, Medium, Large) para responder a diferentes necessidades de desempenho. Os principais indicadores de desempenho incluem:

• mAP: Atinge um elevado mAP em conjuntos de dados de referência como o COCO. O YOLO, por exemplo, atinge 50,8% de _mAPval50-95.
• Velocidade de inferência: Oferece velocidades de inferência rápidas, tornando-o adequado para aplicações em tempo real, com o YOLO a atingir um tempo de inferência de 2,32 ms no T4 TensorRT10.
• Tamanho do modelo: Os tamanhos dos modelos variam, proporcionando flexibilidade para diferentes cenários de implementação, desde parâmetros de 8,5 M para o YOLO até 42,1 M para o YOLO.

Pontos fortes e pontos fracos

Pontos fortes:

• Elevada precisão: Obtém uma excelente precisão de deteção através de inovações arquitectónicas e técnicas de formação avançadas.
• Inferência rápida: Concebida para ser rápida, proporcionando um desempenho de inferência eficiente adequado para sistemas em tempo real.
• Design eficiente: Incorpora backbones NAS e cabeças leves para otimizar a eficiência computacional.
• Conjunto abrangente de recursos: Integra várias técnicas avançadas como RepGFPN e AlignedOTA para um desempenho robusto.

Pontos fracos:

• Complexidade: A integração do NAS e de múltiplos componentes avançados pode introduzir complexidade na personalização e modificação.
• Requisitos de recursos: Os modelos YOLO de maiores dimensões podem exigir recursos computacionais substanciais em comparação com alternativas extremamente leves.

Casos de utilização

O YOLO é adequado para aplicações que exigem elevada precisão e velocidade na deteção de objectos, tais como:

• Sistemas avançados de assistência ao condutor (ADAS): Deteção de objectos em cenários de condução autónoma.
• Análise de imagens de alta resolução: Aplicações que requerem uma análise detalhada de imagens de alta resolução, como a análise de imagens de satélite.
• Robótica e Automação: Deteção precisa de objectos para navegação e manipulação robótica em automação industrial.
• Sistemas de vigilância: Deteção de alta precisão para quebrar o status quo da vigilância com IA de visão.

Saber mais sobre YOLO

Os utilizadores poderão também estar interessados em comparar o YOLOv10 e o YOLO com outros modelos da família Ultralytics YOLO e não só:

• YOLOv8: Explore a versatilidade e a facilidade de utilização do YOLOv8 em comparação com o YOLO.
• YOLOv9: Compreender as inovações arquitectónicas do YOLOv9 em relação ao YOLO.
• RT-DETR: Comparar os detectores de extremo a extremo em RT-DETR vs YOLO.
• EfficientDet: Veja como os modelos centrados na eficiência se comparam no EfficientDet vs YOLO.
• PP-YOLOE: Considerar modelos eficientes alternativos como PP-YOLOE vs YOLO.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários