YOLOv10 против YOLOv8: техническое сравнение для обнаружения объектов в режиме реального времени

Эволюция семейства YOLO (You Only Look Once) постоянно расширяет границы компьютерного зрения, предлагая разработчикам более быстрые и точные инструменты для обнаружения объектов. При выборе между YOLOv10 и YOLOv8очень важно понимать нюансы архитектуры, эффективности и поддержки экосистемы. В то время как YOLOv10 вносит новые архитектурные изменения для повышения эффективности, YOLOv8 остается надежным, универсальным стандартом, известным своей простотой в использовании и широким набором функций.

Это руководство содержит подробное техническое сравнение, которое поможет вам выбрать подходящую модель для ваших проектов машинного обучения.

Анализ производительности

Показатели производительности на наборе данныхCOCO иллюстрируют различия в философии проектирования этих моделей. В YOLOv10 большое внимание уделяется сокращению количества параметров и операций с плавающей точкой (FLOPs), что часто позволяет достичь более высокой средней точности ( mAP ) при заданном размере модели. Однако, YOLOv8 сохраняет весьма конкурентоспособную скорость вычислений, особенно на центральных процессорах и при экспорте в оптимизированные форматы, такие как TensorRTчто позволяет сбалансировать скорость вычислений с практическими возможностями развертывания.

Модель	размер ^{(пиксели)}	mAP^val 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

YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

YOLOv10: Эффективность благодаря архитектурным инновациям

Авторы: Ao Wang, Hui Chen, Lihao Liu, et al.
Organization:Tsinghua University
Date: 2024-05-23
Arxiv:YOLOv10: Real-Time End-to-End Object Detection
GitHub:THU-MIG/yolov10

YOLOv10 был разработан исследователями из Университета Цинхуа с главной целью: устранить зависимость от не максимального подавленияNMS) во время постобработки. NMS может быть узким местом в приложениях, критичных к задержкам. YOLOv10 использует последовательную стратегию двойного назначения во время обучения, что позволяет модели предсказывать один лучший бокс для каждого объекта, эффективно превращая ее в сквозной детектор.

Основные достоинства YOLOv10

ВыводыNMS: Устранив этап NMS , YOLOv10 снижает вычислительные затраты на этапе постобработки, что может уменьшить задержку в определенных сценариях работы с границами.
Эффективность параметров: Целостный дизайн модели значительно сокращает количество параметров и FLOP по сравнению с предыдущими поколениями, что делает ее привлекательной для устройств с крайне ограниченной памятью.
Высокая точность: достигает лучших показателей mAP для своего размера, демонстрируя эффективность архитектурных оптимизаций.

Слабые стороны

Специализация задачи: YOLOv10 в первую очередь предназначен для обнаружения объектов. В нем отсутствует встроенная поддержка других задач компьютерного зрения, таких как сегментация объектов или оценка позы.
Зрелость экосистемы: Как более новый академический релиз, он имеет меньше сторонних интеграций и ресурсов сообщества по сравнению с устоявшейся экосистемой Ultralytics .

Узнайте больше о YOLOv10

Ultralytics YOLOv8: универсальный отраслевой стандарт

Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата: 2023-01-10
Docs:Ultralytics YOLOv8 Documentation
GitHub:ultralytics

YOLOv8 , выпущенный компанией Ultralytics, представляет собой кульминацию многолетних исследований в области практичного и удобного ИИ. Он создан не только для высокой производительности, но и для исключительного опыта разработчиков. YOLOv8 использует механизм обнаружения без якорей и богатый градиентный поток для обеспечения надежного обучения. Его отличительной особенностью является встроенная поддержка широкого спектра задач - обнаружения, сегментации, классификации, оценки позы и OBB - и все это в рамках единой унифицированной структуры.

Почему рекомендуется YOLOv8

Простота использования: Ultralytics YOLOv8 славится своей простотой. Python и интерфейсы CLI . Разработчики могут обучать, проверять и развертывать модели с помощью всего нескольких строк кода.
Хорошо поддерживаемая экосистема: Принадлежность к экосистеме Ultralytics означает доступ к частым обновлениям, обширному сообществу и бесшовной интеграции с такими инструментами, как Ultralytics HUB, для удобного управления моделями.
Баланс производительности: Идеальный баланс между скоростью и точностью. Модель оптимизирована под различные аппаратные платформы, включая CPU, GPU и Edge TPU.
Эффективность обучения: YOLOv8 предлагает эффективные процессы обучения с меньшими требованиями к памяти, чем многие альтернативы на основе трансформаторов, что позволяет сэкономить на вычислительных затратах.
Универсальность: В отличие от моделей, ограниченных ограничивающими рамками, YOLOv8 может работать со сложными проектами, требующими масок сегментации или ключевых точек, не меняя фреймворк.

Эффективность памяти

Модели Ultralytics , такие как YOLOv8 , разработаны с учетом экономии памяти. Это значительно снижает входной барьер для обучения пользовательских моделей, поскольку они требуют меньше памяти CUDA по сравнению с громоздкими моделями-трансформерами, такими как RT-DETRчто позволяет проводить обучение на графических процессорах потребительского класса.

Узнайте больше о YOLOv8

Сравнительный анализ: Архитектура и примеры использования

Архитектурные различия

Принципиальное различие заключается в стратегиях постобработки и присвоения. YOLOv10 использует архитектуру с двумя головками, где одна головка использует распределение "один ко многим" (как традиционные YOLO) для богатых супервизорных сигналов во время обучения, а другая использует распределение "один к одному" для выводов, что устраняет необходимость в NMS.

YOLOv8наоборот, использует назначающее устройство, выровненное по задаче, и безъякорную структуру связанной головки. Такая конструкция упрощает головку обнаружения и улучшает обобщение. Несмотря на то, что для работы требуется NMS, она хорошо оптимизирована в таких экспортных форматах, как ONNX и TensorRT, что часто делает практическую разницу в задержках незначительной в надежных конвейерах развертывания.

Идеальные варианты использования

Выбор между ними часто сводится к конкретным ограничениям вашего проекта:

Высокопроизводительный краевой искусственный интеллект (YOLOv10): Если ваше приложение работает на аппаратном обеспечении с жестким ограничением ресурсов, где важен каждый мегабайт памяти, или если операция NMS создает специфическое узкое место на вашем целевом чипе, YOLOv10 - отличный кандидат. В качестве примера можно привести встраиваемые датчики в сельском хозяйстве или легкие беспилотники.
ИИ общего назначения и многозадачный ИИ (YOLOv8): Для подавляющего большинства коммерческих и исследовательских приложений, YOLOv8 является лучшим выбором. Его способность выполнять сегментацию (например, точная медицинская визуализация) и оценку позы (например, спортивная аналитика) делает его невероятно универсальным. Кроме того, обширная документация и поддержка позволяют разработчикам быстро решать проблемы и быстрее внедрять систему.

Реализация кода

Одно из главных преимуществ фреймворка Ultralytics - унифицированный API. Независимо от того, используете ли вы YOLOv8 или изучаете более новые модели, рабочий процесс остается последовательным и интуитивно понятным.

Вот как легко можно начать обучение для модели YOLOv8 с помощью Python:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on your custom dataset
# The system automatically handles data downloading and processing
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Для YOLOv10 пакет Ultralytics также облегчает доступ, позволяя исследователям экспериментировать с архитектурой в привычной среде:

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model
model = YOLO("yolov10n.pt")

# Train the model using the same simple API
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Заключение

И YOLOv10 , и YOLOv8 - впечатляющие вехи в области компьютерного зрения. YOLOv10 расширяет границы архитектурной эффективности, предлагая заглянуть в будущее NMS для специализированных приложений с низкой задержкой.

Однако, Ultralytics YOLOv8 остается рекомендованной моделью для разработчиков и организаций. Ее прочная экосистема, проверенная надежность и многозадачные возможности обеспечивают комплексное решение, выходящее за рамки простого обнаружения. С Ultralytics YOLOv8 вы получаете не просто модель, а полный набор инструментов для создания, обучения и эффективного развертывания ИИ-решений мирового класса.

Для тех, кто хочет оставаться на передовой, не забудьте также посмотреть YOLO11последнюю версию от Ultralytics , которая обеспечивает еще больший прирост производительности и эффективности по сравнению с YOLOv8.

Дополнительная литература

Изучите последнюю модель SOTA: YOLO11
Поймите свои метрики: Метрики производительностиYOLO
Развертывание в любом месте: Режимы экспорта моделей
Посмотрите другие сравнения: YOLOv5 против YOLOv8