Перейти к содержанию

YOLOv10 против DAMO-YOLO: техническое сравнение

Выбор оптимальной модели обнаружения объектов — это критически важное решение, которое балансирует компромиссы между точностью, скоростью и вычислительными затратами. На этой странице представлено подробное техническое сравнение между YOLOv10, новейшей высокоэффективной моделью, интегрированной в экосистему Ultralytics, и DAMO-YOLO, мощным детектором от Alibaba Group. Мы проанализируем их архитектуры, показатели производительности и идеальные варианты использования, чтобы помочь вам сделать осознанный выбор для ваших проектов в области компьютерного зрения.

YOLOv10: Сквозное обнаружение в реальном времени

YOLOv10, представленная исследователями из Университета Цинхуа в мае 2024 года, знаменует собой значительный шаг вперед в обнаружении объектов в реальном времени. Ее основное новшество заключается в достижении сквозного обнаружения за счет устранения необходимости в немаксимальном подавлении (NMS), что снижает затраты на постобработку и уменьшает задержку при выводе.

Технические детали:

Архитектура и ключевые особенности

YOLOv10 построен на базе надежной платформы Ultralytics, унаследовав ее простоту использования и мощную экосистему. В его архитектуре реализовано несколько ключевых усовершенствований для повышения эффективности и производительности:

  • Обучение без NMS: YOLOv10 использует согласованные двойные назначения для меток во время обучения. Это позволяет модели выдавать четкие прогнозы, не требуя этапа постобработки NMS, что упрощает конвейер развертывания и делает его по-настоящему сквозным.
  • Комплексный подход к эффективности и точности: Архитектура модели была всесторонне оптимизирована для снижения вычислительной избыточности. Это включает в себя облегченную классификационную голову и пространственно-канальную разделенную дискретизацию, что повышает как скорость, так и возможности.
  • Бесшовная интеграция Ultralytics: Как часть экосистемы Ultralytics, YOLOv10 выигрывает от оптимизированного пользовательского опыта. Это включает в себя простой Python API, обширную документацию, эффективные процессы обучения и легкодоступные предварительно обученные веса. Эта интеграция позволяет разработчикам исключительно легко начать работу и быстро развертывать модели.

Сильные и слабые стороны

Преимущества:

  • Передовая эффективность: YOLOv10 обеспечивает исключительный баланс между скоростью и точностью, часто превосходя конкурентов с меньшим количеством параметров и более низкой задержкой, как подробно описано в таблице производительности ниже.
  • Простота использования: Модель невероятно удобна в использовании благодаря интеграции с экосистемой Ultralytics, которая включает в себя Ultralytics HUB для обучения и развертывания без программирования.
  • Сквозное развертывание: Отсутствие NMS упрощает весь рабочий процесс от обучения до вывода, что делает его идеальным для реальных приложений.
  • Меньшие требования к памяти: По сравнению с более сложными архитектурами, YOLOv10 эффективно использует память как во время обучения, так и во время инференса, что делает его доступным для пользователей с ограниченным оборудованием.

Слабые стороны:

  • Специализация по задачам: Будучи исключительным для обнаружения объектов, YOLOv10 в настоящее время ориентирован на эту единственную задачу, в отличие от универсальной Ultralytics YOLOv8, которая поддерживает сегментацию, классификацию и оценку позы из коробки.

Идеальные варианты использования

YOLOv10 — идеальный выбор для приложений, где производительность и эффективность в реальном времени имеют первостепенное значение:

Узнайте больше о YOLOv10

DAMO-YOLO

DAMO-YOLO — это быстрая и точная модель обнаружения объектов, разработанная Alibaba Group. Выпущенная в ноябре 2022 года, она представила несколько новых методов для расширения границ производительности детекторов в стиле YOLO.

Технические детали:

Архитектура и ключевые особенности

DAMO-YOLO является результатом изучения передовых методов для улучшения компромисса между скоростью и точностью. Его архитектура характеризуется следующим:

  • Neural Architecture Search (NAS): Backbone DAMO-YOLO был сгенерирован с использованием NAS, что позволило создать высокооптимизированный экстрактор признаков.
  • Эффективный RepGFPN Neck: Он включает в себя новую конструкцию сети feature pyramid (FPN), которая является одновременно эффективной и мощной.
  • ZeroHead и AlignedOTA: Модель использует упрощенную голову с нулевым количеством параметров и улучшенную стратегию назначения меток (AlignedOTA) для повышения точности обнаружения.
  • Дистилляция знаний: DAMO-YOLO использует дистилляцию для дальнейшего повышения производительности своих небольших моделей.

Сильные и слабые стороны

Преимущества:

  • Высокая производительность: DAMO-YOLO обеспечивает конкурентоспособную точность и скорость, что делает его сильным претендентом в области обнаружения объектов.
  • Инновационные технологии: Он включает в себя передовые исследовательские концепции, такие как NAS и расширенные стратегии назначения меток.

Слабые стороны:

  • Более высокая сложность: Архитектура модели и конвейер обучения сложнее по сравнению с YOLOv10, что потенциально создает более крутую кривую обучения для пользователей.
  • Ограничения экосистемы: DAMO-YOLO в основном доступна в рамках инструментария MMDetection. Это может быть барьером для разработчиков, которые не знакомы с этой экосистемой и предпочитают более интегрированное и удобное решение, такое как то, которое предлагает Ultralytics.
  • Сообщество и поддержка: Несмотря на значительный вклад, модель может не иметь такого же уровня активной поддержки сообщества, частых обновлений и обширных ресурсов, как модели в экосистеме Ultralytics.

Идеальные варианты использования

DAMO-YOLO хорошо подходит для исследователей и разработчиков, которые:

  • Приоритет новым архитектурам: Для тех, кто заинтересован в изучении последних тенденций исследований, таких как backbones на базе NAS.
  • Работа в MMDetection: Пользователи, уже знакомые с фреймворком MMDetection, могут интегрировать DAMO-YOLO в свои рабочие процессы.
  • Требуется высокая точность: В сценариях, где критически важно выжать последний бит точности и где дополнительная сложность управляема.

Узнайте больше о DAMO-YOLO

Прямое сравнение производительности: YOLOv10 против DAMO-YOLO

В следующей таблице сравнивается производительность различных размеров моделей YOLOv10 и DAMO-YOLO на наборе данных COCO. YOLOv10 стабильно демонстрирует превосходную производительность, предлагая более высокую точность при меньшей задержке и меньшем количестве параметров.

Модель размер
(пиксели)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4 TensorRT10
(мс)		 параметры
(M)		 FLOPs
(B)
YOLOv10n 640 39.5 - 1.56 2.3 6.7
YOLOv10s 640 46.7 - 2.66 7.2 21.6
YOLOv10m 640 51.3 - 5.48 15.4 59.1
YOLOv10b 640 52.7 - 6.54 24.4 92.0
YOLOv10l 640 53.3 - 8.33 29.5 120.3
YOLOv10x 640 54.4 - 12.2 56.9 160.4
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

Как показывают данные, модели YOLOv10 стабильно превосходят своих аналогов DAMO-YOLO. Например, YOLOv10-S достигает более высокого mAP (46,7 против 46,0), чем DAMO-YOLO-S, при этом работая значительно быстрее (2,66 мс против 3,45 мс) и имея менее половины параметров (7,2M против 16,3M). Эта тенденция сохраняется для всех размеров моделей, достигая кульминации в YOLOv10-X, достигающей самого высокого mAP в 54,4.

Заключение

YOLOv10 и DAMO-YOLO — впечатляющие модели обнаружения объектов, но они отвечают разным потребностям. DAMO-YOLO — это сильная исследовательская модель, демонстрирующая инновационные архитектурные идеи.

Однако, для подавляющего большинства разработчиков, исследователей и предприятий YOLOv10 является очевидным выбором. Его превосходная производительность в сочетании с конструкцией без NMS делает его более быстрым и эффективным для реального развертывания. Что еще более важно, его полная интеграция в экосистему Ultralytics обеспечивает беспрецедентный пользовательский опыт с обширной документацией, активной поддержкой сообщества и набором инструментов, таких как Ultralytics HUB, которые упрощают весь жизненный цикл MLOps.

Для тех, кто ищет другие современные варианты, также стоит изучить Ultralytics YOLOv8 за ее универсальность в различных задачах компьютерного зрения или ознакомиться с другими нашими сравнениями моделей, чтобы найти идеальный вариант для вашего проекта.



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

Комментарии