Comparação técnica: YOLOX vs EfficientDet para deteção de objectos

Os modelos Ultralytics YOLO são conhecidos pela sua velocidade e precisão nas tarefas de deteção de objectos. Esta página oferece uma comparação técnica detalhada entre dois modelos de deteção de objectos proeminentes: Exploraremos as suas concepções arquitectónicas, referências de desempenho, metodologias de formação e aplicações ideais para o ajudar a selecionar o modelo mais adequado às suas necessidades de visão computacional.

YOLOX: Detetor sem âncora de alto desempenho

O YOLOX ("You Only Look Once X") é um detetor de objectos de ponta sem âncoras desenvolvido pela Megvii. Foi concebido para ser simples e ter um elevado desempenho, colmatando a lacuna entre a investigação e as aplicações práticas industriais.

Arquitetura e principais caraterísticas

O YOLOX distingue-se por um paradigma de deteção sem âncoras, simplificando a arquitetura e aumentando a eficiência. Os principais destaques da arquitetura incluem:

• Design sem âncoras: Elimina a complexidade das caixas de ancoragem, conduzindo a uma implementação mais simples e a uma generalização potencialmente melhor, especialmente para objectos com rácios de aspeto variáveis.
• Cabeça desacoplada: Separa as cabeças de classificação e localização, melhorando a otimização para cada tarefa e melhorando a precisão geral.
• Estratégias de formação avançadas: Utiliza técnicas como a atribuição de etiquetas SimOTA e um forte aumento de dados (MixUp e Mosaic) para garantir uma formação robusta e um melhor desempenho.

Autores: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun Organização: Megvii Data: 2021-07-18 Link do Arxiv: https://arxiv.org/abs/2107.08430 Link do GitHub: https://github.com/Megvii-BaseDetection/YOLOX Link da documentação: https://yolox.readthedocs.io/en/latest/

Métricas de desempenho

Os modelos YOLOX oferecem um equilíbrio convincente de velocidade e precisão. Conforme ilustrado na tabela de comparação, o YOLOX atinge pontuações mAP competitivas, mantendo velocidades de inferência rápidas, o que o torna adequado para aplicações em tempo real. Para um desempenho detalhado em vários tamanhos de modelos, consulte a tabela abaixo.

Casos de utilização

• Deteção de objectos em tempo real: Ideal para aplicações que requerem uma deteção rápida, tais como sistemas de segurança e análise de vídeo em direto.
• Dispositivos de ponta: Desempenho eficiente em dispositivos com recursos limitados, como o NVIDIA Jetson e plataformas móveis.
• Sistemas autónomos: Adequado para robótica e veículos autónomos onde a perceção rápida e precisa é crucial.

Pontos fortes e pontos fracos

Pontos fortes:

• Alta velocidade de inferência: A arquitetura sem âncoras e o design optimizado contribuem para um processamento rápido.
• Simplicidade: O design simplificado facilita o treino e a implementação em comparação com os modelos baseados em âncoras.
• Bom equilíbrio entre precisão e velocidade: Oferece precisão competitiva sem sacrificar a velocidade de inferência.

Pontos fracos:

• mAP: Embora altamente eficiente, pode ser ligeiramente menos exato do que alguns modelos maiores e mais complexos em determinados cenários.

Saber mais sobre YOLOX

EfficientDet: Deteção de objectos escalável e eficiente

O EfficientDet, desenvolvido pela Google Research, é conhecido pela sua escalabilidade e eficiência na deteção de objectos. Utiliza uma família de modelos que alcançam uma precisão de ponta com um número significativamente menor de parâmetros e FLOPs em comparação com os detectores anteriores.

Arquitetura e principais caraterísticas

O EfficientDet apresenta várias inovações para melhorar a eficiência e a precisão:

• BiFPN (Rede de pirâmide de caraterísticas bidireccionais): Permite uma fusão eficiente de caraterísticas em várias escalas, permitindo que a rede utilize efetivamente caraterísticas em diferentes resoluções.
• Dimensionamento composto: Dimensiona uniformemente todas as dimensões da rede (backbone, BiFPN e rede de previsão de caixa/classe) usando um único coeficiente composto, simplificando o processo de dimensionamento e otimizando o desempenho.
• Backbone eficiente: Utiliza a EfficientNet como rede backbone, conhecida pela sua eficiência e forte capacidade de extração de caraterísticas.

Autores: Mingxing Tan, Ruoming Pang, e Quoc V. Le Organização: Google Data: 2019-11-20 Link do Arxiv: https://arxiv.org/abs/1911.09070 Link do GitHub: https:google Ligação à documentação: https:google

Métricas de desempenho

Os modelos EfficientDet foram concebidos para serem altamente eficientes em diferentes escalas, oferecendo uma gama de modelos de d0 a d7. Atingem excelentes pontuações de mAP com um número relativamente pequeno de parâmetros e FLOPs, o que os torna adequados para implementação em ambientes com recursos limitados. Consulte a tabela de comparação para obter métricas detalhadas.

Casos de utilização

• Implantação móvel e de borda: As dimensões reduzidas do modelo EfficientDet e a sua elevada eficiência tornam-no ideal para dispositivos móveis e cenários de computação de ponta.
• Aplicações que requerem elevada precisão com recursos limitados: Adequado para aplicações em que a precisão é fundamental, mas os recursos computacionais são limitados, como a inspeção de qualidade em dispositivos de ponta.
• Dispositivos alimentados por bateria: O design eficiente em termos energéticos permite a implementação em dispositivos alimentados por bateria e aplicações IoT.

Pontos fortes e pontos fracos

Pontos fortes:

• Alta eficiência: Atinge a precisão mais avançada com menos parâmetros e FLOPs, levando a uma inferência mais rápida e a um custo computacional mais baixo.
• Escalabilidade: O método de escalonamento composto permite o escalonamento fácil do modelo para satisfazer diferentes requisitos de precisão e de recursos.
• Precisão: Forte desempenho em termos de mAP, particularmente para modelos de pequena e média dimensão.

Pontos fracos:

• Velocidade de inferência: Embora eficiente, o EfficientDet pode ser mais lento do que os modelos especificamente optimizados para a velocidade, como o YOLOv10 ou o YOLOv8especialmente para as variantes maiores.

Saiba mais sobre o EfficientDet

Tabela de comparação de desempenho

Comparações relacionadas

Explore outras comparações interessantes entre modelos de deteção de objectos disponíveis nos documentos Ultralytics :

• YOLOv8 vs YOLOX: Uma comparação entre Ultralytics YOLOv8 e YOLOX.
• YOLOv7 vs YOLOX: Uma análise detalhada das arquitecturas e do desempenho do YOLOv7 e do YOLOX.
• YOLOv5 vs YOLOX: Comparação da eficiência e flexibilidade do YOLOv5 e do YOLOX.
• YOLOX vs YOLO11: Uma comparação técnica entre YOLOX e Ultralytics YOLO11.
• EfficientDet vs YOLOv5: Avaliação da eficiência do EfficientDet em relação ao YOLOv5.
• EfficientDet vs YOLOv7: Uma comparação de desempenho entre o EfficientDet e o YOLOv7.
• EfficientDet vs YOLOv8: Analisar os pontos fortes e fracos do EfficientDet e do YOLOv8.
• EfficientDet vs YOLOv10: Comparação entre os modelos mais recentes, EfficientDet e YOLOv10.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários