Сравнение моделей: выберите лучшую модель обнаружения объектов для вашего проекта

Выбор подходящей модели обнаружения объектов имеет решающее значение для успеха вашего проекта в области компьютерного зрения. Добро пожаловать в Центр сравнения моделей Ultralytics! На этой странице собраны подробные технические сравнения современных моделей обнаружения объектов с акцентом на последние версии Ultralytics YOLO, а также другие ведущие архитектуры, такие как RTDETR, EfficientDet и другие.

Наша цель — предоставить вам информацию, необходимую для выбора оптимальной модели, исходя из ваших конкретных требований, независимо от того, что для вас приоритетнее: максимальная точность, скорость вывода в реальном времени, вычислительная эффективность или баланс между ними. Мы стремимся обеспечить ясность в отношении производительности каждой модели и ее сильных сторон, помогая вам ориентироваться в сложном мире обнаружения объектов.

Получите краткий обзор производительности модели с помощью нашей интерактивной сравнительной таблицы:

На этой диаграмме визуализируются ключевые метрики производительности, такие как mAP (средняя точность) в зависимости от задержки вывода, что помогает быстро оценить компромиссы между различными моделями, часто сравниваемыми на стандартных наборах данных, таких как COCO. Понимание этих компромиссов имеет основополагающее значение для выбора модели, которая не только соответствует критериям производительности, но и согласуется с ограничениями развертывания.

Углубитесь в наши специальные страницы сравнения. Каждый анализ охватывает:

Архитектурные различия (Architectural Differences): Понимание основных принципов проектирования, таких как backbone (основная сеть) и заголовки обнаружения, и инновации. Это включает в себя изучение того, как различные модели подходят к извлечению признаков и прогнозированию.
Оценка производительности: Сравните такие метрики, как точность (mAP), скорость (FPS, задержка) и количество параметров, используя такие инструменты, как Режим эталонного тестирования Ultralytics. Эти тесты предоставляют количественные данные для поддержки процесса принятия решений.
Сильные и слабые стороны: Определите, в чем каждая модель превосходит другие, и каковы ее ограничения, основываясь на анализе оценки. Эта качественная оценка помогает понять практические последствия выбора одной модели вместо другой.
Идеальные варианты использования: Определите, для каких сценариев лучше всего подходит каждая модель, от устройств edge AI до облачных платформ. Изучите различные Ultralytics Solutions для вдохновения. Согласование возможностей модели с конкретными требованиями вашего проекта обеспечивает оптимальные результаты.

Эта подробная разбивка поможет вам взвесить все «за» и «против», чтобы найти модель, которая идеально соответствует потребностям вашего проекта, будь то развертывание на периферийных устройствах, облачное развертывание или исследования с использованием таких фреймворков, как PyTorch. Выбор модели может существенно повлиять на эффективность и результативность вашего приложения компьютерного зрения.

Смотреть: Сравнение моделей YOLO: Ultralytics YOLO11 vs. YOLOv10 vs. YOLOv9 vs. Ultralytics YOLOv8 🎉

Используйте списки ниже для быстрого перехода к нужному сравнению. Для удобства мы сгруппировали их по моделям:

YOLO11 против

YOLO11, последняя итерация от Ultralytics, опирается на успех своих предшественников, используя передовые исследования и отзывы сообщества. Она включает в себя такие улучшения, как улучшенная базовая архитектура и архитектура neck для лучшего извлечения признаков, оптимизированная эффективность для более быстрой обработки и большая точность с меньшим количеством параметров. YOLO11 поддерживает широкий спектр задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных объектов, что делает ее легко адаптируемой в различных средах.

YOLOv10 против

YOLOv10, разработанная исследователями из Университета Цинхуа с использованием пакета Ultralytics Python, представляет инновационный подход к обнаружению объектов в реальном времени за счет устранения немаксимального подавления (NMS) и оптимизации архитектуры модели. Это приводит к современной производительности со сниженными вычислительными затратами и превосходным компромиссом между точностью и задержкой. Ключевые особенности включают в себя обучение без NMS для снижения задержки, улучшенное извлечение признаков с помощью сверток с большими ядрами и универсальные варианты моделей для различных потребностей приложений.

YOLOv9 vs

YOLOv9 представляет Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN) для решения проблемы потери информации в глубоких нейронных сетях. Разработанный отдельной командой с открытым исходным кодом с использованием кодовой базы Ultralytics YOLOv5, YOLOv9 демонстрирует значительные улучшения в эффективности, точности и адаптируемости, особенно для легких моделей. PGI помогает поддерживать важные данные между слоями, а GELAN оптимизирует использование параметров и вычислительную эффективность.

YOLOv8 vs

Ultralytics YOLOv8 опирается на успехи предыдущих версий YOLO, предлагая повышенную производительность, гибкость и эффективность. Он имеет усовершенствованную архитектуру backbone и neck, head Ultralytics без anchor-ов для повышения точности и оптимизированный компромисс между точностью и скоростью, подходящий для различных задач обнаружения объектов в реальном времени. YOLOv8 поддерживает различные задачи компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, обнаружение позы/ключевых точек, обнаружение ориентированных объектов и классификацию.

YOLOv7 против

YOLOv7 признан за свою высокую скорость и точность, превосходя многие детекторы объектов на момент его выпуска. Он представил такие функции, как репараметризация модели, динамическое назначение меток, а также расширенные и составные методы масштабирования для эффективного использования параметров и вычислений. YOLOv7 фокусируется на оптимизации процесса обучения, включая "trainable bag-of-freebies" для повышения точности без увеличения затрат на inference.

YOLOv6 против

YOLOv6 от Meituan — это детектор объектов, разработанный для промышленных применений, обеспечивающий баланс между скоростью и точностью. Он включает в себя такие улучшения, как модуль Bi-directional Concatenation (BiC), стратегию обучения с помощью якорей (AAT), а также улучшенную структуру backbone и neck. YOLOv6-3.0 дополнительно совершенствует это с помощью эффективного backbone репараметризации и гибридных блоков для надежного представления признаков.

YOLOv5 vs

Ultralytics YOLOv5 известен своей простотой использования, скоростью и точностью, построен на фреймворке PyTorch. Вариант YOLOv5u включает в себя anchor-free, objectness-free split head (из YOLOv8) для улучшения компромисса между точностью и скоростью. YOLOv5 поддерживает различные приемы обучения, несколько форматов экспорта и подходит для широкого спектра задач обнаружения объектов, сегментации экземпляров и классификации изображений.

PP-YOLOE+ против

PP-YOLOE+, разработанный Baidu, является улучшенным anchor-free детектором объектов, ориентированным на эффективность и простоту использования. Он включает в себя backbone на основе ResNet, neck Path Aggregation Network (PAN) и отделенную голову. PP-YOLOE+ включает в себя функцию Task Alignment Learning (TAL) loss для улучшения согласования между оценками классификации и точностью локализации, стремясь к надежному балансу между mAP и скоростью inference.

DAMO-YOLO против

DAMO-YOLO от Alibaba Group — это высокопроизводительная модель обнаружения объектов, ориентированная на точность и эффективность. В ней используется архитектура без привязки к якорям, магистральные сети Neural Architecture Search (NAS) (MAE-NAS), эффективная Reparameterized Gradient Feature Pyramid Network (RepGFPN), облегченный ZeroHead и Aligned Optimal Transport Assignment (AlignedOTA) для назначения меток. DAMO-YOLO стремится обеспечить надежный баланс между mAP и скоростью инференса, особенно с ускорением TensorRT.

YOLOX против

YOLOX, разработанный компанией Megvii, представляет собой anchor-free эволюцию серии YOLO, которая стремится к упрощенному дизайну и повышенной производительности. Ключевые особенности включают anchor-free подход, отделенную голову для отдельных задач классификации и регрессии, а также назначение меток SimOTA. YOLOX также включает в себя эффективные стратегии расширения данных, такие как Mosaic и MixUp. Он предлагает хороший баланс между точностью и скоростью с различными доступными размерами моделей.

RT-DETR против

RT-DETR (Real-Time Detection Transformer) от Baidu — это сквозной детектор объектов, использующий архитектуру на основе Transformer для достижения высокой точности с производительностью в реальном времени. Он имеет эффективный гибридный энкодер, который разделяет взаимодействие внутри масштаба и межмасштабное слияние многомасштабных признаков, а также выбор запросов с учетом IoU для улучшения инициализации запросов объектов. RT-DETR предлагает гибкую настройку скорости вывода с использованием различных слоев декодера без переобучения.

EfficientDet в сравнении с

EfficientDet от Google Brain — это семейство моделей обнаружения объектов, разработанных для оптимальной эффективности, достижения высокой точности с меньшим количеством параметров и более низкой вычислительной стоимостью. Его основные нововведения включают использование базовой сети EfficientNet, взвешенной двунаправленной пирамидальной сети признаков (BiFPN) для быстрого многомасштабного объединения признаков и метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину. Модели EfficientDet (D0-D7) обеспечивают спектр компромиссов между точностью и эффективностью.

Этот индекс постоянно обновляется по мере выпуска новых моделей и появления сравнительных данных. Мы рекомендуем вам изучить эти ресурсы, чтобы глубже понять возможности каждой модели и найти идеальный вариант для вашего следующего проекта в области компьютерного зрения. Выбор подходящей модели — важный шаг на пути к созданию надежных и эффективных решений на основе искусственного интеллекта. Мы также приглашаем вас присоединиться к сообществу Ultralytics для дальнейшего обсуждения, получения поддержки и информации о развивающемся мире обнаружения объектов. Удачных сравнений!

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад