Перейти к содержанию

DAMO-YOLO против YOLOX: техническое сравнение

Выбор подходящей модели обнаружения объектов предполагает компромисс между точностью, скоростью и сложностью развертывания. На этой странице представлено подробное техническое сравнение двух мощных моделей в области компьютерного зрения: DAMO-YOLO и YOLOX. Обе модели внесли значительные инновации в семейство YOLO, но они ориентированы на разные приоритеты и варианты использования. Мы углубимся в их архитектуры, показатели производительности и идеальные приложения, чтобы помочь вам принять взвешенное решение.

DAMO-YOLO: Быстрый и точный детектор

DAMO-YOLO — это высокопроизводительная модель обнаружения объектов, разработанная Alibaba Group. В ней представлен набор передовых технологий для достижения превосходного баланса между скоростью и точностью, особенно на GPU-устройствах. Модель использует поиск нейронной архитектуры (NAS) для оптимизации своих компонентов для достижения максимальной эффективности.

Технические детали:

Архитектура и ключевые особенности

Архитектура DAMO-YOLO основана на нескольких ключевых инновациях:

  • NAS-Powered Backbone: Вместо разработанного вручную backbone, DAMO-YOLO использует backbone под названием GiraffeNet, который генерируется с использованием Neural Architecture Search (NAS). Это позволяет сети найти оптимальную структуру для извлечения признаков, адаптированную для эффективности.
  • Эффективный RepGFPN Neck: Модель использует эффективную структуру neck, RepGFPN, которая также оптимизирована с помощью NAS. Этот компонент отвечает за слияние признаков из разных масштабов backbone, и его конструкция направлена на достижение высокой производительности при низких вычислительных затратах.
  • ZeroHead: DAMO-YOLO упрощает структуру детектора, представляя ZeroHead, который уменьшает количество слоев и параметров, необходимых для задач классификации и регрессии, без ущерба для точности.
  • Назначение меток AlignedOTA: Используется усовершенствованная стратегия назначения меток под названием AlignedOTA, которая улучшает предыдущие методы за счет лучшего согласования задач классификации и регрессии, что приводит к более точным прогнозам.

Сильные стороны

  • Превосходный компромисс между скоростью и точностью: DAMO-YOLO превосходно обеспечивает высокую точность при очень высокой скорости инференса, особенно на современных GPU.
  • Инновационная архитектура: Использование NAS как для backbone, так и для neck демонстрирует перспективный подход к проектированию модели, расширяя границы автоматизированного машинного обучения.
  • Масштабируемые модели: Предлагает семейство моделей (Tiny, Small, Medium, Large), которые позволяют разработчикам выбирать правильный баланс между производительностью и использованием ресурсов для своих конкретных нужд.

Слабые стороны

  • Оптимизация под GPU: Модель в высокой степени оптимизирована для инференса на GPU, с меньшим акцентом на производительность CPU, что может быть ограничением для некоторых сценариев периферийных вычислений.
  • Экосистема и поддержка: Как модель из внешнего репозитория, ей не хватает бесшовной интеграции, обширной документации и активной поддержки сообщества, которые есть в экосистеме Ultralytics.
  • Специфичность задачи: DAMO-YOLO в основном разработан для обнаружения объектов и изначально не поддерживает другие задачи компьютерного зрения, такие как сегментация или оценка позы.

Случаи использования

DAMO-YOLO — отличный выбор для приложений, где критически важна производительность в реальном времени на GPU-оборудовании:

  • Облачные сервисы Vision: Обработка больших объемов видеопотоков для аналитики и мониторинга.
  • Промышленная автоматизация: Высокоскоростной контроль качества и обнаружение дефектов на производственных линиях.
  • Наблюдение в реальном времени: Обеспечение работы систем безопасности, требующих быстрой и точной детекции объектов.

Узнайте больше о DAMO-YOLO

YOLOX: Anchor-Free и высокопроизводительная альтернатива

YOLOX, разработанный компанией Megvii, стал важным шагом в развитии моделей YOLO, представив anchor-free дизайн. Это упрощение конвейера обнаружения было направлено на повышение производительности и снижение сложности, связанной с настройкой anchor box.

Технические детали:

Архитектура и ключевые особенности

YOLOX отличается несколькими ключевыми архитектурными решениями:

  • Anchor-Free Design: Отказ от предопределенных anchor boxes упрощает процесс обучения YOLOX и уменьшает количество гиперпараметров, что может привести к лучшему обобщению.
  • Разделенная Head: Она использует отдельные heads для задач классификации и локализации. Было обнаружено, что такое разделение устраняет проблему несоответствия, присутствующую в объединенных heads, тем самым улучшая точность и скорость сходимости.
  • Назначение меток SimOTA: В YOLOX представлена продвинутая стратегия назначения меток под названием SimOTA, которая рассматривает процесс назначения как задачу оптимальной транспортировки для динамического назначения положительных примеров, что приводит к повышению производительности.
  • Надежные аугментации: Модель опирается на надежные аугментации данных, такие как MixUp и Mosaic, для повышения своей устойчивости и точности.

Сильные стороны

  • Высокая точность: YOLOX достигает конкурентоспособных показателей mAP, при этом ее самый крупный вариант (YOLOX-X) достигает более 51% mAP на наборе данных COCO.
  • Упрощенный конвейер: Подход без anchor-ов делает модель более простой для понимания и реализации по сравнению с традиционными детекторами, основанными на anchor-ах.
  • Устоявшаяся и хорошо документированная модель: YOLOX, как более старая модель, имеет значительное количество ресурсов сообщества, учебных пособий и примеров развертывания.

Слабые стороны

  • Более медленный инференс: По сравнению с более новыми моделями, такими как DAMO-YOLO, YOLOX может иметь более низкую скорость инференса для заданного уровня точности, особенно его более крупные варианты.
  • Внешняя экосистема: Она не является частью интегрированной экосистемы Ultralytics, а это означает, что пользователи упускают возможность использовать оптимизированные рабочие процессы, такие инструменты, как Ultralytics HUB, и унифицированную поддержку.
  • Ограниченная универсальность: Как и DAMO-YOLO, YOLOX в основном ориентирован на обнаружение объектов и не имеет встроенной поддержки других задач компьютерного зрения.

Случаи использования

YOLOX хорошо подходит для приложений, где высокая точность является главным приоритетом, а конструкция без привязки к anchor boxes является преимуществом:

  • Автономное вождение: Системы восприятия в автономных транспортных средствах, требующие точного обнаружения объектов.
  • Продвинутая робототехника: Позволяет роботам перемещаться и взаимодействовать со сложными, неструктурированными средами.
  • Исследования и разработки: Служит прочной основой для академических и промышленных исследований методов обнаружения без привязки к якорям.

Узнайте больше о YOLOX

Анализ производительности: DAMO-YOLO в сравнении с YOLOX

В следующей таблице представлено подробное сравнение производительности различных размеров моделей DAMO-YOLO и YOLOX, протестированных на наборе данных COCO val.

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
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

На основании данных можно сделать несколько выводов:

  • DAMO-YOLO обычно предлагает лучший фронт Парето скорости и точности. Например, DAMO-YOLOs достигает 46,0 mAP при 3,45 мс, в то время как YOLOXm достигает аналогичного 46,9 mAP, но при более медленных 5,43 мс.
  • YOLOX масштабируется до более высокой пиковой точности с помощью своей модели YOLOX-x (51,1 mAP), но это достигается за счет значительных затрат с точки зрения параметров, FLOP и задержки.
  • Для легких моделей YOLOX-Nano является наиболее эффективной с точки зрения параметров и FLOPs, хотя и работает с более низким входным разрешением.
  • DAMO-YOLO демонстрирует превосходную задержку GPU по сравнению с сопоставимыми размерами моделей, что делает его более подходящим кандидатом для приложений реального времени на оборудовании NVIDIA.

Преимущество Ultralytics: Превосходная альтернатива

Хотя DAMO-YOLO и YOLOX являются мощными моделями, разработчикам и исследователям, стремящимся к оптимальному сочетанию производительности, удобства использования и универсальности, следует рассмотреть модели из экосистемы Ultralytics YOLO, такие как YOLOv8 и новейшая YOLO11.

Модели Ultralytics предоставляют несколько ключевых преимуществ:

  • Простота использования: Оптимизированный Python API, подробная документация, а также простые процессы обучения и развертывания значительно упрощают начало работы.
  • Развитая экосистема: Воспользуйтесь преимуществами активной разработки, сильной поддержки сообщества через GitHub, частых обновлений и бесшовной интеграции с такими инструментами, как Ultralytics HUB для управления наборами данных и обучения.
  • Баланс производительности: Модели Ultralytics высоко оптимизированы для достижения превосходного компромисса между скоростью инференса (как на CPU, так и на GPU) и точностью, что делает их подходящими для широкого спектра сценариев развертывания, от периферийных устройств до облачных серверов.
  • Эффективность использования памяти: Модели Ultralytics YOLO обычно требуют меньше памяти для обучения и инференса по сравнению с более сложными архитектурами, что позволяет разрабатывать их на менее мощном оборудовании.
  • Универсальность: Изначально поддерживают несколько задач, помимо обнаружения, включая сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).
  • Эффективность обучения: Быстрое время обучения и готовые предварительно обученные веса на различных наборах данных, таких как COCO, ускоряют сроки реализации проектов.

Заключение

DAMO-YOLO и YOLOX — это мощные модели обнаружения объектов, которые продвинули эту область вперед. DAMO-YOLO выделяется своей исключительной скоростью на GPU и инновационным дизайном на основе NAS, что делает его идеальным для высокопроизводительных систем реального времени. YOLOX предлагает надежную, высокоточную, свободную от anchor альтернативу, которая доказала свою ценность как в исследованиях, так и в промышленности.

Однако, для большинства разработчиков и исследователей модели Ultralytics YOLO, такие как YOLO11, представляют собой наиболее привлекательный общий пакет. Они сочетают в себе передовую производительность с беспрецедентной простотой использования, многозадачной универсальностью и процветающей, хорошо поддерживаемой экосистемой. Этот целостный подход делает модели Ultralytics рекомендуемым выбором для создания практичных, высокопроизводительных и масштабируемых решений компьютерного зрения.

Изучите другие модели

Пользователям, заинтересованным в дальнейших сравнениях, может быть интересно изучить, как DAMO-YOLO и YOLOX соотносятся с другими современными моделями:



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

Комментарии