Перейти к содержанию

DAMO-YOLO против YOLOv7: подробное техническое сравнение

Выбор подходящей модели обнаружения объектов — это критически важный шаг в любом проекте компьютерного зрения, который напрямую влияет на производительность, скорость и возможность развертывания. На этой странице представлено подробное техническое сравнение DAMO-YOLO и YOLOv7, двух мощных моделей, которые внесли значительный вклад в эту область в 2022 году. Мы рассмотрим их архитектурные различия, показатели производительности и идеальные варианты использования, чтобы помочь вам принять обоснованное решение для ваших конкретных потребностей.

DAMO-YOLO: Быстрое и точное обнаружение с использованием передовых технологий

DAMO-YOLO — это модель обнаружения объектов, разработанная Alibaba Group, ориентированная на достижение высокой производительности за счет сочетания передовых технологий. Она направлена на обеспечение превосходного баланса скорости и точности, особенно для реальных сценариев развертывания.

Архитектура и ключевые особенности

Архитектура DAMO-YOLO основана на нескольких ключевых инновациях, разработанных для оптимизации производительности и эффективности:

  • Бэкбоны на основе NAS: Он использует Neural Architecture Search (NAS) для создания оптимальных backbone сетей. Этот автоматизированный подход помогает обнаруживать архитектуры, которые обеспечивают лучшее соотношение скорости и точности, чем разработанные вручную.
  • Эффективный RepGFPN Neck: Модель представляет новую структуру neck под названием Generalized Feature Pyramid Network (GFPN), которая улучшена с помощью методов повторной параметризации. Эта конструкция обеспечивает эффективное многомасштабное слияние признаков, что имеет решающее значение для обнаружения объектов разных размеров.
  • ZeroHead: DAMO-YOLO включает в себя упрощенную голову с нулевым количеством параметров, которая разделяет задачи классификации и регрессии. Это снижает вычислительную сложность и размер модели без ущерба для производительности.
  • Назначение меток AlignedOTA: Используется усовершенствованная стратегия назначения меток под названием AlignedOTA, которая решает проблемы рассогласования между оценками классификации и точностью локализации, что приводит к более точным обнаружениям.

Сильные и слабые стороны

Преимущества:

  • Высокая скорость инференса: Меньшие варианты (DAMO-YOLO-t/s) исключительно быстры, что делает их идеальными для приложений, требующих низкой задержки, таких как приложения на периферийных AI устройствах.
  • Инновационная технология: Интегрирует современные методы, такие как NAS и эффективный дизайн neck, для расширения границ производительности.

Слабые стороны:

  • Интеграция с экосистемой: Может отсутствовать комплексная экосистема, обширная документация и упрощенный пользовательский опыт, которые есть в таких фреймворках, как Ultralytics.
  • Поддержка сообщества: Будучи исследовательской моделью от одной корпорации, она может иметь меньшее сообщество открытого исходного кода по сравнению с более широко используемыми моделями.

Узнайте больше о DAMO-YOLO

YOLOv7: Расширение границ точности в реальном времени

YOLOv7, представленный Чен-Яо Вангом и др., установил новый стандарт для детекторов объектов в реальном времени после его выпуска. Он был нацелен на оптимизацию процесса обучения для повышения точности без увеличения стоимости вывода.

Архитектура и ключевые особенности

YOLOv7 представил несколько архитектурных улучшений и улучшений обучения, которые значительно повысили его производительность:

  • E-ELAN (Extended Efficient Layer Aggregation Network): Эта усовершенствованная структура сети повышает способность модели к обучению, позволяя ей изучать более разнообразные признаки, не нарушая исходный путь градиента.
  • Составное масштабирование модели: YOLOv7 использует стратегию масштабирования модели, которая правильно регулирует глубину и ширину модели для архитектур на основе конкатенации, обеспечивая оптимальную производительность для разных размеров модели.
  • Обучаемый набор бесплатных улучшений: Ключевым вкладом YOLOv7 является использование оптимизаций во время обучения, таких как вспомогательные заголовки и поэтапная управляемая потеря, которые улучшают окончательную точность модели, не добавляя никаких вычислительных затрат во время вывода.

Сильные и слабые стороны

Преимущества:

  • Превосходный баланс точности и скорости: YOLOv7 предлагает замечательное сочетание высокого mAP и быстрой скорости инференса, что делает его очень подходящим для инференса в реальном времени.
  • Эффективное обучение: Подход "bag-of-freebies" позволяет достичь более высокой точности в процессе обучения без замедления работы финальной модели.
  • Подтвержденная производительность: Она была тщательно протестирована на стандартных наборах данных, таких как MS COCO, с проверенными результатами.

Слабые стороны:

  • Сложность: Архитектура и стратегии обучения могут быть сложными для понимания и реализации с нуля.
  • Ограниченная универсальность: YOLOv7 - это в первую очередь модель обнаружения объектов. Хотя существуют версии от сообщества для других задач, ей не хватает встроенной многозадачной универсальности таких фреймворков, как Ultralytics YOLOv8.
  • Требовательность к ресурсам: Обучение более крупных моделей YOLOv7 может потребовать значительных GPU-ресурсов.

Узнайте больше о YOLOv7

Анализ производительности: скорость в сравнении с точностью

При сравнении DAMO-YOLO и YOLOv7 становится очевидным компромисс между скоростью и точностью. Меньшие модели DAMO-YOLO, такие как DAMO-YOLO-t, предлагают самое быстрое время инференса, что делает их лучшим выбором для критически важных к задержке приложений на оборудовании с ограниченными ресурсами. С другой стороны, YOLOv7, особенно вариант YOLOv7x, достигает более высокого mAP, что делает его подходящим для сценариев, где максимальная точность является приоритетом. Модели среднего размера из обоих семейств, DAMO-YOLO-l и YOLOv7-l, предлагают конкурентоспособную производительность, при этом YOLOv7-l достигает немного более высокого mAP ценой небольшого увеличения задержки.

Модель размер
(пиксели)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4 TensorRT10
(мс)		 параметры
(M)		 FLOPs
(B)
DAMO-YOLOt 640 42.0 - 2.32 8.5 18.1
DAMO-YOLOs 640 46.0 - 3.45 16.3 37.8
DAMO-YOLOm 640 49.2 - 5.09 28.2 61.8
DAMO-YOLOl 640 50.8 - 7.18 42.1 97.3
YOLOv7l 640 51.4 - 6.84 36.9 104.7
YOLOv7x 640 53.1 - 11.57 71.3 189.9

Почему стоит выбрать модели Ultralytics YOLO?

Несмотря на то, что DAMO-YOLO и YOLOv7 являются мощными моделями, разработчики и исследователи часто находят большую ценность в экосистеме Ultralytics с такими моделями, как YOLOv8 и новейшая Ultralytics YOLO11. Модели Ultralytics предоставляют значительные преимущества, которые выходят за рамки простых метрик:

  • Простота использования: Модели Ultralytics отличаются оптимизированным Python API и простыми командами CLI, подкрепленными обширной документацией, что упрощает обучение, проверку и развертывание моделей.
  • Хорошо поддерживаемая экосистема: Пользователи получают выгоду от активной разработки, сильного open-source сообщества, частых обновлений и бесшовной интеграции с такими инструментами, как Ultralytics HUB, для комплексного MLOps.
  • Баланс производительности: Модели Ultralytics разработаны для обеспечения превосходного компромисса между скоростью и точностью, что делает их подходящими для широкого спектра приложений, от периферийных устройств до облачных серверов.
  • Эффективность использования памяти: Модели Ultralytics YOLO разработаны для эффективного использования памяти как во время обучения, так и во время инференса, часто требуя меньше памяти CUDA, чем другие архитектуры.
  • Универсальность: Такие модели, как YOLOv8 и YOLO11, не ограничиваются только обнаружением. Они «из коробки» поддерживают несколько задач, включая сегментацию экземпляров, классификацию изображений, оценку позы и ориентированное обнаружение объектов (OBB), предлагая унифицированное решение для различных задач компьютерного зрения.
  • Эффективность обучения: Воспользуйтесь преимуществами эффективных процессов обучения, готовых предварительно обученных весов на наборах данных, таких как COCO, и более быстрого времени сходимости.

Заключение

И DAMO-YOLO, и YOLOv7 представляют собой значительные достижения в области обнаружения объектов. DAMO-YOLO превосходит по скорости инференса, особенно с его меньшими вариантами, что делает его сильным претендентом для периферийных устройств или приложений, в которых приоритет отдается низкой задержке. YOLOv7 расширяет границы точности, сохраняя при этом хорошую производительность в реальном времени, особенно подходит для сценариев, где критически важно достижение максимально возможного mAP.

Однако разработчики могут также рассмотреть модели в рамках экосистемы Ultralytics, такие как YOLOv8 или последняя версия YOLO11. Эти модели часто обеспечивают превосходный баланс производительности, простоты использования, обширной документации, эффективного обучения, более низких требований к памяти и универсальности в различных задачах компьютерного зрения, поддерживаемых хорошо поддерживаемой экосистемой и активной поддержкой сообщества через Ultralytics HUB.

Другие модели

Пользователям, интересующимся DAMO-YOLO и YOLOv7, эти модели также могут показаться полезными:

  • Ultralytics YOLOv5: Очень популярная и эффективная модель, известная своей скоростью и простотой развертывания. Изучите документацию YOLOv5.
  • Ultralytics YOLOv8: Универсальная современная модель, обеспечивающая отличную производительность в задачах обнаружения, сегментации, определения позы и классификации. Изучите документацию YOLOv8.
  • YOLOv9: Представляет такие инновации, как PGI и GELAN, для повышения точности и эффективности. См. документацию YOLOv9.
  • YOLOv10: Ориентирована на сквозное обнаружение без NMS для снижения задержки. Сравните YOLOv10 и DAMO-YOLO.
  • Ultralytics YOLO11: новейшая передовая модель от Ultralytics, подчеркивающая скорость, эффективность и простоту использования с конструкцией без привязки к якорю. Узнайте больше о YOLO11.
  • RT-DETR: Модель обнаружения в реальном времени на основе трансформера. Сравните RT-DETR и DAMO-YOLO.


📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
glenn-jocher

Комментарии