Comparação de modelos: YOLOv5 vs YOLOv6-3.0 para deteção de objectos
A escolha do modelo de deteção de objectos ideal é fundamental para o êxito das aplicações de visão por computador. Tanto o Ultralytics YOLOv5 quanto o Meituan YOLOv6-3.0 são escolhas populares conhecidas por sua eficiência e precisão. Esta página fornece uma comparação técnica para o ajudar a decidir qual o modelo que melhor se adequa às necessidades do seu projeto. Analisamos as suas nuances arquitectónicas, referências de desempenho, abordagens de formação e aplicações adequadas.
Ultralytics YOLOv5
YOLOv5 é um modelo de deteção de objectos de fase única, conhecido pela sua velocidade e adaptabilidade. Desenvolvido pela Ultralytics e lançado inicialmente em 26 de junho de 2020, YOLOv5 é construído com uma arquitetura flexível que permite fácil dimensionamento e personalização. Sua arquitetura utiliza componentes como o CSPBottleneck, com foco na velocidade de inferência otimizada e mantendo um equilíbrio com a precisão.
- Autores: Glenn Jocher
- Organização: Ultralytics
- Data: 2020-06-26
- GitHub: Repositório GitHub doYOLOv5
- Documentação: DocumentosYOLOv5
YOLOv5 oferece uma gama de tamanhos de modelos (n, s, m, l, x), cada um concebido para satisfazer diferentes requisitos de desempenho. Os modelos mais pequenos, como o YOLOv5n, são ideais para dispositivos de ponta devido ao seu tamanho compacto e inferência rápida, enquanto os modelos maiores, como o YOLOv5x, oferecem maior precisão para tarefas mais exigentes. YOLOv5 é particularmente forte em aplicações que requerem deteção de objectos em tempo real devido à sua velocidade e eficiência.
Pontos fortes do YOLOv5:
- Velocidade: YOLOv5 destaca-se pela velocidade de inferência, tornando-o adequado para aplicações em tempo real.
- Flexibilidade: A sua arquitetura é altamente personalizável e escalável.
- Suporte da comunidade: Apoiado por uma comunidade grande e ativa, que oferece amplos recursos e apoio.
- Facilidade de uso: Fluxos de trabalho simples para treinamento, validação e implantação, aprimorados pelo Ultralytics HUB.
Pontos fracos do YOLOv5:
- Precisão: Apesar de precisos, os modelos YOLOv6-3.0 maiores podem alcançar um mAP ligeiramente melhor em alguns benchmarks.
Meituan YOLOv6-3.0
O YOLOv6-3.0, desenvolvido pela Meituan e lançado em janeiro de 2023, representa um avanço na série YOLO , centrando-se na melhoria da precisão e da velocidade. Embora os detalhes específicos da arquitetura possam ser encontrados nos recursos oficiais do YOLOv6, este incorpora inovações como o módulo BiC (Bi-diretional Concatenation) e a estratégia AAT (Anchor-Aided Training). Estas melhorias visam aumentar a extração de caraterísticas e a precisão da deteção sem uma redução significativa da velocidade.
- Autores: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu e Xiangxiang Chu
- Organização: Meituan
- Data: 2023-01-13
- arXiv: YOLOv6 v3.0: Uma recarga à escala real
- GitHub: Repositório GitHub do YOLOv6
- Documentação: Documentos do YOLOv6
O YOLOv6-3.0 também fornece modelos de vários tamanhos (n, s, m, l) para equilibrar o desempenho e os recursos computacionais. Os testes de referência indicam que os modelos YOLOv6-3.0 podem atingir um mAP competitivo ou superior em comparação com modelos YOLOv5 de tamanho semelhante, especialmente em configurações maiores, sugerindo uma maior precisão nas tarefas de deteção de objectos.
Pontos fortes do YOLOv6-3.0:
- Precisão: Oferece geralmente um mAP competitivo ou superior, especialmente nos modelos de maiores dimensões.
- Velocidade de inferência: Atinge velocidades de inferência rápidas, adequadas para a deteção de objectos em tempo real.
- Inovações arquitectónicas: Incorpora o módulo BiC e AAT para ganhos de desempenho.
Pontos fracos do YOLOv6-3.0:
- Comunidade e recursos: Embora eficaz, pode não ter o apoio alargado da comunidade e os recursos facilmente disponíveis em comparação com o YOLOv5.
- Integração: A integração direta com o HUB Ultralytics e as ferramentas associadas pode ser menos fácil do que com os modelos Ultralytics nativos.
Tabela de comparação de desempenho
| Modelo | tamanho(pixéis) | mAPval50-95 | VelocidadeCPU ONNX(ms) | VelocidadeT4TensorRT10(ms) | params(M) | FLOPs(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 |
Conclusão
Tanto YOLOv5 como o YOLOv6-3.0 são modelos robustos de deteção de objectos, cada um com pontos fortes únicos. YOLOv5 continua a ser um modelo altamente versátil e rápido, beneficiando de um vasto apoio da comunidade e de uma integração perfeita no ecossistema Ultralytics . É uma excelente escolha para uma grande variedade de aplicações em tempo real. O YOLOv6-3.0 oferece uma alternativa atraente para projectos em que é dada prioridade a uma maior precisão sem sacrificar a velocidade de inferência. As suas melhorias arquitectónicas proporcionam uma vantagem de desempenho em determinados cenários.
Para os utilizadores que procuram modelos de ponta, considere explorar os modelos Ultralytics mais recentes, como YOLOv8, YOLOv9, YOLOv10 e YOLO11. Para aplicações especializadas, modelos como o YOLO e o RT-DETR oferecem vantagens únicas, enquanto o FastSAM fornece capacidades de segmentação eficientes.
Para mais informações e uma gama mais alargada de modelos, consulte a Documentação de modelosUltralytics .
