YOLOv10 против YOLO: подробное техническое сравнение для обнаружения объектов

Выбор оптимальной модели обнаружения объектов имеет решающее значение для приложений компьютерного зрения, поскольку модели существенно различаются по точности, скорости и эффективности. На этой странице представлено подробное техническое сравнение YOLOv10 и YOLO, двух передовых моделей в области обнаружения объектов. Мы рассмотрим их архитектуру, эталоны производительности и подходящие приложения, чтобы помочь вам в выборе модели.

YOLOv10

YOLOv10 - это новейшая разработка в серии YOLO , известной своими возможностями обнаружения объектов в режиме реального времени. Разработанный исследователями из Университета Цинхуа и представленный 2024-05-23(препринт arXiv:2405.14458), YOLOv10 отличается сквозной эффективностью и повышенной производительностью. Официальная реализация PyTorch доступна на GitHub.

Архитектура и ключевые особенности

В YOLOv10 реализован ряд инноваций, направленных на оптимизацию архитектуры и улучшение баланса между скоростью и точностью, переход к обучению без NMS и эффективному проектированию моделей. Основные архитектурные новшества включают:

• Обучение без NMS: Использует последовательное двойное назначение для обучения без немаксимального подавления (NMS), что снижает накладные расходы на постобработку и задержку вывода.
• Целостный дизайн, ориентированный на эффективность и точность: Комплексная оптимизация различных компонентов модели для минимизации избыточности вычислений и повышения возможностей обнаружения.
• Магистраль и структура сети: Усовершенствованные слои извлечения признаков и оптимизированная структура сети для повышения эффективности параметров и ускорения обработки.

Показатели производительности

YOLOv10 обеспечивает современную производительность в различных масштабах моделирования, предоставляя ряд возможностей для удовлетворения различных вычислительных потребностей. Показатели производительности на наборе данных COCO включают:

• mAP: Достижение конкурентной средней точности (mAP) на наборе данных для проверки COCO. Например, YOLOv10-S достигает 46,7 % _mAPval50-95.
• Скорость вычислений: YOLOv10-N обеспечивает впечатляющую скорость вычислений: время вычисления на T4 TensorRT10 достигает 1,56 мс.
• Размер модели: Выпускается в нескольких размерах (N, S, M, B, L, X) с параметрами модели от 2,3M для YOLOv10-N до 56,9M для YOLOv10-X.

Сильные и слабые стороны

Сильные стороны:

• Производительность в реальном времени: Оптимизирован для повышения скорости и эффективности, что делает его идеальным для приложений, работающих в режиме реального времени.
• Высокая точность: Достигается самая современная точность, особенно в больших моделях, таких как YOLOv10-X.
• Конечная эффективность: Конструкция без NMS сокращает время ожидания и упрощает развертывание.
• Универсальность: Подходит для решения различных задач по обнаружению объектов и адаптируется к различным аппаратным платформам, включая такие устройства, как Raspberry Pi и NVIDIA Jetson.
• Простота использования: интеграция спакетом Ultralytics Python упрощает процессы обучения, проверки и развертывания.

Слабые стороны:

• Развивающаяся модель: В качестве новой модели поддержка сообщества и предварительно обученные веса в более широких экосистемах могут все еще развиваться по сравнению с более устоявшимися моделями.
• Компромисс: в небольших моделях приоритет отдается скорости, что может быть достигнуто за счет некоторой точности по сравнению с большими вариантами или более сложными моделями.

Примеры использования

YOLOv10 хорошо подходит для приложений, требующих высокоскоростного и точного обнаружения объектов, таких как:

• Автономные системы: Самоуправляемые автомобили и робототехника.
• Охрана и наблюдение: Системы охранной сигнализации и мониторинг в режиме реального времени.
• Промышленная автоматизация: Контроль качества производства и автоматизация процессов.
• Аналитика розничной торговли: Управление запасами и анализ поведения покупателей.

Узнайте больше о YOLOv10

DAMO-YOLO

YOLO, разработанная компанией Alibaba Group, - это высокопроизводительная модель обнаружения объектов, представленная в 2022 году(препринт arXiv:2211.15444v2). Она разработана для быстрого и точного обнаружения объектов и включает в себя несколько передовых методов для эффективного обнаружения объектов. Официальная реализация и документация доступны на GitHub.

Архитектура и ключевые особенности

YOLO объединяет несколько инновационных компонентов для достижения баланса скорости и точности:

• NAS Backbone: Использует нейронную архитектуру поиска (NAS) для проектирования эффективных магистральных сетей, оптимизированных для задач обнаружения объектов.
• Эффективная сеть RepGFPN: Использует репараметризованную градиентную сеть пирамид признаков (RepGFPN) для эффективного слияния признаков и многомасштабного представления признаков.
• ZeroHead: облегченная головка обнаружения, разработанная для минимизации вычислительных затрат при сохранении точности обнаружения.
• AlignedOTA: использует Aligned Optimal Transport Assignment (AlignedOTA) для улучшения присвоения меток во время обучения, что повышает эффективность обнаружения.
• Улучшение дистилляции: Включает в себя методы дистилляции знаний для дальнейшего повышения производительности модели.

Показатели производительности

Модели YOLO выпускаются в различных размерах (Tiny, Small, Medium, Large), чтобы удовлетворить различные потребности в производительности. Ключевые показатели производительности включают:

• mAP: Достигается высокий показатель mAP на эталонных наборах данных, таких как COCO. Например, YOLO достигает 50,8% _mAPval50-95.
• Скорость вычислений: Обеспечивает высокую скорость вычислений, что делает его подходящим для приложений реального времени: время вычисления YOLO на T4 TensorRT10 составило 2,32 мс.
• Размер модели: Размеры моделей варьируются, обеспечивая гибкость для различных сценариев развертывания: от 8,5 М параметров для YOLO до 42,1 М для YOLO.

Сильные и слабые стороны

Сильные стороны:

• Высокая точность: Достигает превосходной точности обнаружения благодаря архитектурным инновациям и передовым методам обучения.
• Быстрый вывод: Создан для скорости, обеспечивая эффективную работу с выводами, подходящую для систем реального времени.
• Эффективная конструкция: Использование магистралей NAS и легких головок позволяет оптимизировать эффективность вычислений.
• Широкий набор функций: Интегрирует множество передовых технологий, таких как RepGFPN и AlignedOTA, обеспечивая высокую производительность.

Слабые стороны:

• Сложность: Интеграция сетевого хранилища и множества современных компонентов может усложнить настройку и модификацию.
• Требования к ресурсам: Большие модели YOLO могут потребовать значительных вычислительных ресурсов по сравнению с очень легкими альтернативами.

Примеры использования

YOLO хорошо подходит для приложений, требующих высокой точности и скорости обнаружения объектов, таких как:

• Передовые системы помощи водителю (ADAS): Обнаружение объектов в сценариях автономного вождения.
• Анализ изображений высокого разрешения: Приложения, требующие детального анализа изображений высокого разрешения, например, анализ спутниковых снимков.
• Робототехника и автоматизация: Точное обнаружение объектов для роботизированной навигации и манипулирования в промышленной автоматизации.
• Системы видеонаблюдения: Высокоточное обнаружение, разрушающее статус-кво в области видеонаблюдения с помощью искусственного интеллекта.

Узнайте больше о YOLO

Пользователям также может быть интересно сравнение YOLOv10 и YOLO с другими моделями семейства Ultralytics YOLO и не только:

• YOLOv8: Изучите универсальность и простоту использования YOLOv8 по сравнению с YOLO.
• YOLOv9: Понимание архитектурных инноваций в YOLOv9 по сравнению с YOLO.
• RT-DETR: Сравните сквозные детекторы в RT-DETR и YOLO.
• EfficientDet: Посмотрите, как соотносятся модели, ориентированные на эффективность, в сравнении EfficientDet и YOLO.
• PP-YOLOE: рассмотрите альтернативные эффективные модели, такие как PP-YOLOE против YOLO.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии