YOLOv7 vs YOLOX: Comparação técnica pormenorizada
A escolha do modelo ideal de deteção de objectos é uma decisão crítica para projectos de visão computacional. Ultralytics oferece um conjunto de modelos de vanguarda, e compreender os seus pontos fortes específicos é fundamental para obter o melhor desempenho. Esta página fornece uma comparação técnica de dois modelos populares, o YOLOv7 e o YOLOX, detalhando as suas nuances arquitectónicas, referências de desempenho e cenários de implementação ideais.
YOLOv7: Deteção eficiente e de elevada precisão
O YOLOv7, introduzido em julho de 2022 por Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao do Instituto de Ciências da Informação, Academia Sinica, Taiwan, foi concebido para uma deteção de objectos eficiente e precisa. Baseia-se em modelos YOLO anteriores, incorporando melhorias arquitectónicas para maior velocidade e precisão.
Arquitetura e principais caraterísticas
O YOLOv7 (paper: arXiv, GitHub: Official Repo) apresenta várias inovações, incluindo a Rede de Agregação de Camadas Eficiente (E-ELAN), que optimiza a utilização de parâmetros e de computação. Também emprega técnicas de escalonamento de modelos e re-parametrização planeada para aumentar ainda mais a eficiência do treino e a precisão da deteção. Estas caraterísticas permitem que o YOLOv7 obtenha resultados de última geração com um tamanho de modelo relativamente compacto, tornando-o adequado para aplicações em tempo real e implementação em dispositivos com recursos limitados. Para obter informações mais detalhadas, consulte a documentação oficial do YOLOv7.
Métricas de desempenho e casos de utilização
O YOLOv7 destaca-se em cenários que exigem tanto uma inferência rápida como uma elevada precisão. As suas impressionantes métricas de mAP e velocidade fazem dele uma forte escolha para aplicações como a análise de vídeo em tempo real, sistemas de condução autónoma e processamento de imagens de alta resolução. Em implantações de cidades inteligentes, o YOLOv7 pode ser utilizado para gestão de tráfego ou para melhorar os sistemas de segurança para deteção imediata de ameaças.
YOLOX: Excelência sem âncoras na deteção de objectos
O YOLOX, desenvolvido por Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun na Megvii e lançado em julho de 2021 (paper: arXiv, GitHub: Official Repo), adota uma abordagem sem âncoras para a deteção de objetos, simplificando o pipeline de deteção e melhorando a generalização.
Arquitetura e principais caraterísticas
O YOLOX (documentação: ReadTheDocs) afasta-se dos modelos YOLO tradicionais ao eliminar as caixas de ancoragem predefinidas. Este design sem âncoras reduz a complexidade e pode levar a um melhor desempenho, especialmente para objectos com formas variáveis. Incorpora cabeças desacopladas para tarefas de classificação e regressão separadas e utiliza estratégias avançadas de atribuição de etiquetas, como o SimOTA (Simplified Optimal Transport Assignment). Estas escolhas arquitectónicas contribuem para a robustez e facilidade de implementação do YOLOX.
Métricas de desempenho e casos de utilização
A YOLOX proporciona um equilíbrio atraente entre velocidade e precisão. A sua natureza sem âncoras pode ser particularmente vantajosa em aplicações que lidam com diversos tamanhos de objectos e rácios de aspeto. O YOLOX é adequado para aplicações como robótica, inspeção industrial e análise de retalho. Por exemplo, no fabrico, pode ser utilizado para inspeção de qualidade para detetar defeitos de forma eficiente sem estar limitado por formas de âncora predefinidas.
| Modelo | tamanho (pixéis) |
mAPval 50-95 |
Velocidade CPU ONNX (ms) |
Velocidade T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Os utilizadores interessados em outros modelos YOLO também podem considerar explorar:
- YOLOv8: A última iteração da série YOLO da Ultralytics, oferecendo desempenho e versatilidade de última geração.
- YOLOv5: Conhecido pela sua facilidade de utilização e eficiência, com vários tamanhos de modelos para diferentes necessidades.
- YOLOv6: Uma estrutura de deteção de objectos de fase única de elevado desempenho.
- YOLO11: Um modelo recente centrado na melhoria da eficiência e do desempenho.
