YOLO11 против YOLOX: всестороннее техническое сравнение

Выбор оптимальной модели обнаружения объектов является ключевым решением для разработчиков и исследователей, стремящихся найти баланс между точностью, скоростью вывода и простотой развертывания. В данном техническом анализе приводится подробное сравнение между Ultralytics YOLO11новейшей моделью искусственного интеллекта для технического зрения, и YOLOX, новаторским безъякорным детектором от Megvii. В то время как YOLOX внедрил значительные инновации в 2021 году, YOLO11 представляет собой следующее поколение компьютерного зрения, предлагая расширенную универсальность, превосходные показатели производительности и единую экосистему разработки.

Ultralytics YOLO11: новый стандарт в области искусственного интеллекта для зрения

YOLO11 - новейшая флагманская модель знаменитой серии YOLO , выпущенная компанией Ultralytics с целью переопределить возможности компьютерного зрения в реальном времени. Опираясь на наследие своих предшественников, YOLO11 представляет архитектурные усовершенствования, которые значительно повышают возможности извлечения функций и эффективность обработки.

• Авторы: Гленн Джохер, Цзин Цю
• Организация:Ultralytics
• Дата: 2024-09-27
• GitHub:https://github.com/ultralytics/ultralytics
• Документы:https://docs.ultralytics.com/models/yolo11/

Архитектура и основные возможности

В YOLO11 используется передовая безъякорная архитектура, которая оптимизирует компромисс между вычислительными затратами и точностью обнаружения. В отличие от традиционных моделей, которые полагаются исключительно на регрессию ограничительных рамок, YOLO11 - это многозадачный фреймворк. Он поддерживает широкий спектр задач технического зрения, включая обнаружение объектов, сегментацию объектов, оценку позы, классификацию изображений и обнаружение ориентированных ограничительных рамок (OBB).

Ключевые преимущества

• Современная производительность: YOLO11 достигает более высоких показателей mAP по сравнению с предыдущими итерациями и конкурентами, используя при этом меньшее количество параметров.
• Широкая универсальность: Возможность выполнять сегментацию, классификацию и оценку позы в рамках одной кодовой базы избавляет от необходимости изучать несколько фреймворков.
• Гибкость развертывания: Модель легко экспортируется в такие форматы, как ONNX, TensorRT, CoreML и TFLite, обеспечивая совместимость с различным оборудованием - от граничных устройств до облачных GPU.
• Дизайн, ориентированный на пользователя: Ориентируясь на простоту использования, разработчики могут обучать, проверять и развертывать модели с минимальным количеством кода.

Узнайте больше о YOLO11

YOLOX: пионер без якоря

Выпущенный в 2021 году компанией Megvii, YOLOX стал революционным решением в области обнаружения объектов. Он отличался от распространенных в то время подходов, основанных на якорях (например, YOLOv4 и YOLOv5), за счет использования механизма без якорей и раздельной структуры головы.

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, and Jian Sun
• Организация:Megvii
• Дата: 18.07.2021
• Arxiv:https://arxiv.org/abs/2107.08430
• GitHub:https://github.com/Megvii-BaseDetection/YOLOX
• Документы:https://yolox.readthedocs.io/en/latest/

Архитектурные особенности

Отличительной особенностью YOLOX является раздельная голова, разделяющая задачи классификации и регрессии на разные ветви. Такая конструкция в сочетании со стратегией присвоения меток SimOTA позволила достичь высокой производительности без необходимости вручную настраивать гиперпараметры якорного ящика.

Сильные стороны и ограничения

• Безъякорный дизайн: Убрав якоря, YOLOX упростил процесс обучения и улучшил обобщение для различных форм объектов.
• Надежный базовый уровень: Она остается ценным ориентиром для исследований методов обнаружения без якорей.
• Ограниченная область применения: В отличие от YOLO11, YOLOX является в первую очередь детектором объектов и не имеет встроенной поддержки сложных последующих задач, таких как сегментация или оценка позы.
• Фрагментация экосистемы: Несмотря на открытый исходный код, в экосистемеUltralytics отсутствует единый, активно поддерживаемый инструментарий, что часто требует дополнительных ручных усилий для интеграции и развертывания.

Узнайте больше о YOLOX

Анализ производительности

В следующей таблице представлено прямое сравнение ключевых показателей производительности на наборе данных COCO . YOLO11 демонстрирует явное преимущество в эффективности, обеспечивая значительно более высокую точностьmAP) при сопоставимых или сниженных вычислительных требованиях.

Метрическая разбивка

1. Точность (mAP): YOLO11 превосходит YOLOX во всех масштабах модели. Например, YOLO11s достигает 47,0 mAP, превосходя YOLOX-m (46,9 mAP), несмотря на то, что YOLOX-m - более крупный класс моделей с почти в три раза большим количеством FLOP.
2. Скорость вывода: YOLO11 оптимизирована для современного аппаратного ускорения. На GPU T4 с использованием TensorRTвремя работы YOLO11n составляет впечатляющие 1,5 мс, что делает его идеальным для высокоскоростных вычислений в реальном времени.
3. Эффективность: YOLO11m достигает высокой точности 51,5 mAP , используя всего 20,1M параметров. В отличие от этого, самая большая модель YOLOX-x требует 99,1 М параметров для достижения более низкой точности 51,1 mAP, что подчеркивает архитектурное превосходство YOLO11 в эффективности использования параметров.

Техническое погружение

Методология и экосистема обучения

Одно из самых значительных отличий заключается в обучении и развитии. Ultralytics ставит во главу угла оптимизированный пользовательский опыт, предлагая комплексную экосистему, которая упрощает каждый этап жизненного цикла машинного обучения.

• Простота использования: YOLO11 можно обучить с помощью нескольких строк кода, используя ultralytics Пакет Python или надежный интерфейс командной строкиCLI). Такая доступность контрастирует с YOLOX, который обычно требует клонирования репозиториев и сложных настроек.
• Эффективность обучения: Ultralytics предоставляет высококачественные, предварительно обученные веса, которые ускоряют трансферное обучение. Конвейер обучения высоко оптимизирован и поддерживает такие функции, как автоматическая настройка размера партии и распределенное обучение на нескольких GPU .
• Использование памяти: Модели YOLO11 разработаны таким образом, чтобы не занимать много памяти ни при обучении, ни при выводе. Это важнейшее преимущество по сравнению со старыми архитектурами и тяжелыми моделями на основе трансформаторов, позволяющее YOLO11 работать на аппаратном обеспечении потребительского класса и на устройствах, где память CUDA ограничена.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

Универсальность и применение в реальных условиях

В то время как YOLOX является специализированным детектором объектов, YOLO11 служит комплексной платформой технического зрения.

• Мультимодальные возможности: Разработчики могут решать сложные проблемы, комбинируя задачи. Например, приложение для робототехники может использовать обнаружение объектов для поиска объекта и оценку позы для определения его ориентации для захвата - и все это в рамках одного фреймворка YOLO11 .
• Хорошо поддерживаемая экосистема: Модели Ultralytics пользуются преимуществами активного сообщества и частых обновлений. Такие функции, как Ultralytics HUB, облегчают управление данными, обучение работе с моделями и их развертывание, обеспечивая уровень поддержки, с которым не могут сравниться разрозненные проекты с открытым исходным кодом.

Идеальные варианты использования

Когда стоит выбирать Ultralytics YOLO11

YOLO11 - это рекомендуемый выбор для подавляющего большинства коммерческих и исследовательских приложений благодаря сбалансированности производительности и поддержке экосистемы.

• Edge AI в реальном времени: низкая задержка и высокая эффективность делают его идеальным для развертывания на таких устройствах, как NVIDIA Jetson, Raspberry Pi или мобильные телефоны.
• Сложные системы технического зрения: Проекты, требующие сегментации, отслеживания или оценки положения наряду с обнаружением, выиграют от использования единой структуры.
• Корпоративные решения: Надежность, обширная документация и активное сопровождение обеспечивают стабильную основу для программного обеспечения производственного уровня.

Когда стоит обратить внимание на YOLOX

YOLOX остается актуальным в определенных нишевых сценариях:

• Академические исследования: Исследователи, изучающие специфические эффекты отсоединенных головок в безъякорных детекторах, могут использовать YOLOX в качестве базового сравнения.
• Унаследованные системы: Существующие конвейеры, сильно интегрированные с конкретной кодовой базой YOLOX (например, реализации MegEngine), могут продолжать использовать ее, чтобы избежать затрат на рефакторинг.

Заключение

Хотя YOLOX сыграл решающую роль в популяризации безъякорного обнаружения объектов, Ultralytics YOLO11 представляет собой лучший выбор для современных разработок в области компьютерного зрения.

YOLO11 превосходит YOLOX по всем важнейшим показателям: он более точен, значительно быстрее и гораздо более эффективен по параметрам. Помимо высокой производительности, экосистема Ultralytics предоставляет разработчикам непревзойденную простоту использования, надежную документацию и универсальные многозадачные возможности. YOLO11 предоставляет инструменты и производительность, необходимые для создания передовых решений в области искусственного интеллекта, как для быстрого создания прототипов, так и для крупномасштабного промышленного развертывания.

Сравнения с другими моделями

Изучите, как YOLO11 сравнивается с другими ведущими моделями в этой области:

• YOLO11 против YOLOv10
• YOLO11 против YOLOv9
• YOLO11 vs. YOLOv8
• YOLO11 vs. RT-DETR
• YOLO11 vs. EfficientDet

Комментарии