Перейти к содержанию

YOLO11 vs YOLOX: Техническое сравнение

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое уравновешивает точность, скорость и простоту реализации. На этой странице представлено подробное техническое сравнение Ultralytics YOLO11, новейшей современной модели от Ultralytics, и YOLOX, значимой модели без привязки к якорям от Megvii. Хотя обе модели продвинули область обнаружения объектов в реальном времени, YOLO11 предлагает более комплексное, универсальное и удобное решение, поддерживаемое надежной и активно поддерживаемой экосистемой.

Ultralytics YOLO11: Современная производительность и универсальность

Ultralytics YOLO11 – это новейшая флагманская модель от Ultralytics, разработанная для обеспечения беспрецедентной производительности и гибкости в широком спектре задач компьютерного зрения. Разработанная Гленном Джохером и Цзин Цю, она опирается на успешную основу предыдущих моделей, таких как YOLOv8, и представляет значительные архитектурные усовершенствования для превосходной точности и эффективности.

Архитектура и ключевые особенности

YOLO11 имеет высокооптимизированную, anchor-free архитектуру, которая улучшает извлечение признаков и оптимизирует процесс обнаружения. Такая конструкция обеспечивает лучший компромисс между скоростью и точностью, часто достигая более высоких показателей mAP с меньшим количеством параметров и меньшими вычислительными затратами по сравнению с другими моделями.

Ключевым преимуществом YOLO11 является его универсальность. Это не просто детектор объектов, а комплексная платформа AI для компьютерного зрения, изначально поддерживающая несколько задач, включая сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих прямоугольников (OBB).

Сильные стороны

  • Превосходная производительность: Достигает современной точности и скорости, превосходя многих конкурентов при аналогичных размерах моделей.
  • Простота использования: Поставляется с простым Python API и CLI, обширной документацией и многочисленными руководствами, которые делают его доступным как для начинающих, так и для экспертов.
  • Хорошо поддерживаемая экосистема: Преимущества непрерывной разработки, сильного сообщества на GitHub и Discord, и частых обновлений. Интеграция с такими инструментами, как Ultralytics HUB, обеспечивает бесперебойную работу MLOps.
  • Эффективность обучения: Предлагает эффективные процессы обучения с легкодоступными предварительно обученными весами, обеспечивая более быструю сходимость. Также имеет более низкие требования к памяти во время обучения и инференса по сравнению с более сложными архитектурами, такими как трансформеры.
  • Универсальность в многозадачности: Единая платформа может использоваться для широкого спектра задач компьютерного зрения, что снижает сложность и время разработки.
  • Гибкость развертывания: Оптимизировано для различного оборудования, от периферийных устройств до облачных серверов, с поддержкой многочисленных форматов экспорта, таких как ONNX и TensorRT.

Слабые стороны

  • Будучи передовой моделью, более крупные варианты, такие как YOLO11x, могут быть требовательны к вычислительным ресурсам, что требует мощного оборудования для работы в реальном времени.
  • Хотя экосистема надежна, некоторые нишевые интеграции сторонних инструментов могут быть более зрелыми для старых, более устоявшихся моделей.

Идеальные варианты использования

Сочетание высокой точности, скорости и универсальности YOLO11 делает ее идеальным выбором для широкого спектра приложений:

Узнайте больше о YOLO11

YOLOX: Подход без использования якорей

YOLOX, разработанный компанией Megvii, стал заметным вкладом в семейство YOLO, представив anchor-free дизайн для упрощения конвейера обнаружения и повышения производительности по сравнению с его предшественниками.

Архитектура и ключевые особенности

Основные инновации YOLOX включают его детектор без anchor, отделенную голову для классификации и регрессии, а также продвинутую стратегию назначения меток под названием SimOTA. Эти изменения были направлены на создание более оптимизированного и эффективного детектора объектов.

Сильные стороны

  • Высокая точность: YOLOX обеспечивает конкурентоспособные показатели mAP, особенно в своих более крупных вариантах модели.
  • Простота Anchor-Free (Anchor-Free Simplicity): Благодаря устранению предварительно определенных якорных прямоугольников уменьшается количество гиперпараметров, которые необходимо настраивать, что может улучшить обобщение.
  • Устоявшаяся модель: Будучи выпущенной в 2021 году, она имеет сообщество и была адаптирована в различных проектах.

Слабые стороны

  • Ограниченная универсальность: YOLOX в основном предназначен для обнаружения объектов. Ему не хватает встроенной поддержки других задач, таких как сегментация, оценка позы и OBB, которые являются стандартными в YOLO11.
  • Фрагментированная экосистема: Несмотря на открытый исходный код, отсутствует единая и хорошо поддерживаемая экосистема, которую предоставляет Ultralytics. Пользователям может потребоваться приложить больше усилий для интеграции с инструментами MLOps и для развертывания.
  • Пробелы в производительности: Как показано в таблице производительности, модели YOLOX могут быть медленнее и менее точными, чем их аналоги YOLO11. Например, YOLOX-l уступает YOLO11l по mAP, имея при этом значительно больше параметров и FLOPs.
  • Производительность CPU: Бенчмарки для инференса на CPU не являются общедоступными, что затрудняет оценку его производительности в сценариях, связанных с CPU, где YOLO11 предоставляет четкие метрики.

Идеальные варианты использования

YOLOX — это отличный выбор для проектов, которым требуются:

  • Высокопроизводительное обнаружение объектов: В сценариях, где основной целью является чистая точность обнаружения объектов.
  • Базовая модель для исследований: В качестве базовой модели для исследований методов обнаружения без привязки к anchor boxes.
  • Промышленные приложения: Для таких задач, как контроль качества, где достаточно специализированного детектора объектов.

Узнайте больше о YOLOX

Анализ производительности: YOLO11 против YOLOX

Сравнение производительности наглядно демонстрирует достижения Ultralytics YOLO11. Для всех размеров моделей YOLO11 стабильно обеспечивает лучший баланс точности и эффективности.

Модель размер
(пиксели)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4 TensorRT10
(мс)		 параметры
(M)		 FLOPs
(B)
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9
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
  • Точность: Модели YOLO11 стабильно достигают более высоких показателей mAP, чем их аналоги YOLOX. Например, YOLO11m достигает 51,5 mAP, значительно превосходя 46,9 mAP у YOLOXm с меньшим количеством параметров.
  • Эффективность: YOLO11 демонстрирует превосходную эффективность. YOLO11l достигает 53.4 mAP, используя всего 25.3M параметров, в то время как YOLOXl требует 54.2M параметров для достижения более низкого показателя в 49.7 mAP.
  • Скорость: YOLO11 оптимизирована для инференса как на CPU, так и на GPU. Самая маленькая модель, YOLO11n, может похвастаться впечатляющей задержкой в 1,5 мс на GPU T4, что делает ее идеальной для приложений реального времени. Заявленные скорости YOLOX ниже для сопоставимых моделей.

Заключение и рекомендации

Несмотря на то, что YOLOX был важным этапом в разработке обнаружения объектов без привязки к якорям, Ultralytics YOLO11 — явный победитель для разработчиков и исследователей, стремящихся к наилучшему сочетанию производительности, универсальности и удобства использования.

YOLO11 не только превосходит YOLOX по ключевым показателям, таким как точность и эффективность, но и предлагает гораздо более полную и поддерживающую экосистему. Его способность обрабатывать несколько задач компьютерного зрения в рамках единой, простой в использовании структуры делает его более практичным и мощным выбором для создания современных AI-решений. Для любого нового проекта, от быстрого прототипирования до развертывания в масштабах производства, Ultralytics YOLO11 — рекомендуемая модель.

Сравнения с другими моделями

Если вам интересно, как YOLO11 и YOLOX соотносятся с другими моделями, ознакомьтесь со следующими страницами сравнения:



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

Комментарии