YOLOv10 против YOLOv8: техническое сравнение для обнаружения объектов

Выбор подходящей модели обнаружения объектов имеет решающее значение для успеха любого проекта в области компьютерного зрения. На этой странице представлено подробное техническое сравнение YOLOv10 и Ultralytics YOLOv8, двух современных моделей в этой области. Мы проанализируем их архитектурные различия, показатели производительности и идеальные приложения, чтобы помочь вам принять обоснованное решение, основанное на ваших конкретных потребностях в скорости, точности и эффективности использования ресурсов.

YOLOv10: Расширяя границы эффективности

Авторы: Ао Ванг, Хуэй Чен, Лихао Лю и др.
Организация: Университет Цинхуа
Дата: 2024-05-23
Arxiv: https://arxiv.org/abs/2405.14458
GitHub: https://github.com/THU-MIG/yolov10
Документация: https://docs.ultralytics.com/models/yolov10/

YOLOv10, представленный в мае 2024 года, представляет собой значительный шаг на пути к достижению истинного сквозного обнаружения объектов в реальном времени. Его основная инновация заключается в сосредоточении внимания на устранении узких мест постобработки и оптимизации архитектуры модели для максимальной эффективности. Ключевой особенностью является его подход к обучению без NMS, который использует согласованные двойные назначения для устранения необходимости в Non-Maximum Suppression (NMS), тем самым снижая задержку при выводе.

Архитектура и ключевые особенности

YOLOv10 представляет целостный подход к проектированию модели, ориентированный на эффективность и точность. Он оптимизирует различные компоненты, такие как реализация облегченной классификационной головы и использование пространственно-канальной разделенной дискретизации, для уменьшения вычислительной избыточности и повышения возможностей обнаружения. Хотя YOLOv10 разработан Университетом Цинхуа, он построен на базе фреймворка Ultralytics и интегрирован в него, что делает его доступным и простым в использовании с помощью знакомого API Ultralytics.

Сильные стороны

• Повышенная эффективность: Предлагает более высокую скорость вывода и меньшие размеры моделей в прямых сравнениях, что очень выгодно для сред с ограниченными ресурсами, таких как периферийные устройства.
• Дизайн без NMS: Упрощает конвейер развертывания за счет удаления этапа постобработки NMS, что приводит к снижению сквозной задержки.
• Передовая производительность: Достигает отличной производительности, особенно в тестах, ориентированных на задержку, расширяя границы современного уровня для компромиссов между скоростью и точностью.

Слабые стороны

• Более новая модель: Будучи более новым релизом, она имеет меньшее сообщество и меньше интеграций со сторонними разработчиками по сравнению с хорошо зарекомендовавшей себя YOLOv8.
• Специализация по задачам: YOLOv10 в основном ориентирован на обнаружение объектов. Ему не хватает встроенной универсальности для других задач компьютерного зрения, таких как сегментация и оценка позы, которые являются родными для YOLOv8.
• Развитость экосистемы: Будучи интегрированной в экосистему Ultralytics, она еще не имеет такой глубины ресурсов и примеров, созданных сообществом, как YOLOv8.

Идеальные варианты использования

YOLOv10 особенно хорошо подходит для приложений, где производительность в реальном времени и эффективность использования ресурсов являются абсолютными приоритетами:

• Edge AI: Идеально подходит для развертывания на устройствах с ограниченной вычислительной мощностью, таких как мобильные телефоны и встроенные системы, такие как NVIDIA Jetson.
• Высокоскоростная обработка: Подходит для приложений, требующих очень низкой задержки, таких как автономные дроны и робототехника.
• Аналитика в реальном времени: Идеально подходит для динамичных сред, требующих немедленного обнаружения объектов, таких как управление дорожным движением.

Узнайте больше о YOLOv10

Ultralytics YOLOv8: Универсальность и зрелость

Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
Организация: Ultralytics
Дата: 2023-01-10
GitHub: https://github.com/ultralytics/ultralytics
Документация: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8, запущенная в январе 2023 года, представляет собой зрелую и очень универсальную модель, основанную на сильных сторонах своих предшественников YOLO. Она разработана для обеспечения скорости, точности и простоты использования в широком спектре задач визуального ИИ. Это делает ее мощным и надежным выбором как для разработчиков, так и для исследователей.

Архитектура и ключевые особенности

YOLOv8 использует подход без anchor boxes для обнаружения объектов, что упрощает архитектуру модели и улучшает обобщение. Гибкий backbone и оптимизированные функции потерь способствуют повышению точности и более стабильному обучению. Отличительной особенностью YOLOv8 является встроенная поддержка нескольких задач компьютерного зрения, включая обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Сильные стороны

• Развитая и хорошо документированная: Преимуществами являются обширная документация, большое сообщество и легкодоступные ресурсы, что делает ее удобной в использовании и простой в реализации с помощью простых интерфейсов Python и CLI.
• Универсальность и многозадачность: Поддерживает широкий спектр задач компьютерного зрения из коробки, предлагая беспрецедентную гибкость для сложных проектов, требующих больше, чем просто обнаружение.
• Хорошо поддерживаемая экосистема: Легко интегрируется с Ultralytics HUB и другими инструментами MLOps, оптимизируя рабочие процессы от обучения до развертывания. Поддерживается активной разработкой и частыми обновлениями.
• Баланс производительности: Обеспечивает превосходный компромисс между скоростью, точностью и размером модели, что делает его подходящим для широкого спектра реальных сценариев развертывания.
• Эффективность обучения: Предлагает эффективные процессы обучения и легкодоступные предварительно обученные веса, ускоряя циклы разработки. Также имеет более низкие требования к памяти по сравнению со многими другими архитектурами, особенно моделями на основе трансформеров.

Слабые стороны

• Несмотря на высокую эффективность, новые модели, такие как YOLOv10, могут предложить незначительные улучшения в конкретных метриках, таких как количество параметров или задержка, в условиях сильных ограничений.

Идеальные варианты использования

Универсальность и простота использования YOLOv8 делают ее идеальным выбором для широкого спектра применений:

• Системы безопасности: Отлично подходит для обнаружения объектов в реальном времени в системах охранной сигнализации.
• Аналитика розничной торговли: Полезна в интеллектуальной розничной торговле для понимания поведения клиентов и управления запасами.
• Промышленный контроль качества: Применим в производстве для автоматизированного визуального контроля.
• Многозадачные проекты: Идеальный выбор для проектов, требующих одновременного обнаружения, сегментации и оценки позы с помощью одной эффективной модели.

Узнайте больше о YOLOv8

Анализ производительности: YOLOv10 против YOLOv8

Метрики производительности на наборе данных COCO выявляют ключевые различия между двумя моделями. YOLOv10 стабильно достигает более высоких показателей mAP с меньшим количеством параметров и FLOPs по сравнению со своими аналогами YOLOv8 аналогичного размера. Например, YOLOv10-S достигает 46.7% mAP с 7.2M параметрами, в то время как YOLOv8-S достигает 44.9% mAP с 11.2M параметрами. Это подчеркивает превосходную архитектурную эффективность YOLOv10.

Тем не менее, YOLOv8 поддерживает высокую конкурентоспособную скорость инференса, особенно на GPU. Самая маленькая модель, YOLOv8n, немного быстрее на GPU T4 с TensorRT, чем YOLOv10n (1,47 мс против 1,56 мс). Кроме того, YOLOv8 предоставляет полный набор хорошо зарекомендовавших себя тестов CPU, демонстрируя свою надежную и стабильную производительность для развертываний, которые могут не иметь доступа к GPU.

Заключение и рекомендации

И YOLO10, и YOLOv8 — мощные модели, но они отвечают разным приоритетам. YOLO10 превосходен в чистой эффективности, предлагая современную производительность с меньшей задержкой и меньшим количеством параметров, что делает его отличным выбором для специализированных приложений, критичных к задержке.

Однако, для подавляющего большинства разработчиков и исследователей Ultralytics YOLOv8 является рекомендуемым выбором. Его ключевые преимущества заключаются в его зрелости, универсальности и надежной экосистеме. Встроенная поддержка YOLOv8 для нескольких задач (обнаружение, сегментация, поза, классификация и OBB) предоставляет значительное преимущество для создания сложных, многогранных решений на основе искусственного интеллекта. Обширная документация, активное сообщество и полная интеграция с такими инструментами, как Ultralytics HUB, создают превосходный и более оптимизированный процесс разработки. Он предлагает выдающийся и проверенный баланс скорости и точности, который является надежным для самого широкого спектра реальных приложений.

Изучение других моделей

Пользователям, заинтересованным в изучении других современных моделей, Ultralytics предлагает широкий набор, включающий базовую YOLOv5, эффективную YOLOv9 и новейшую YOLO11. Подробные сравнения, такие как YOLOv9 vs. YOLOv8 и YOLOv5 vs. YOLOv8, также доступны, чтобы помочь вам выбрать идеальную модель для вашего проекта.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии