YOLOv10 YOLOv9: прогресс в области обнаружения объектов в реальном времени

2024 год ознаменовался периодом быстрых инноваций в области обнаружения объектов, когда были выпущены две значимые архитектуры: YOLOv10 и YOLOv9. Хотя обе модели направлены на расширение границ скорости и точности, они достигают этого с помощью принципиально разных архитектурных концепций.

YOLOv10 на устранении задержки вывода, вызванной постобработкой, за счет конструкции NMS, тогда как YOLOv9 сохранении информации в глубоких сетях с помощью программируемой градиентной информации (PGI).

Сравнение производительности

В следующей таблице представлено подробное сравнение этих моделей по стандартным тестам. Данные показывают компромисс между эффективностью параметров, скоростью вывода и точностью обнаружения (mAP).

YOLOv10: Пионер сквозных решений

YOLOv10, разработанный исследователями из Университета Цинхуа, представляет собой переход к сквозной обработке. Выпущенный 23 мая 2024 года Ао Ван, Хуэй Чен и их коллегами, он устраняет узкое место, связанное с немаксимальным подавлением (NMS).

Узнайте больше о YOLOv10

Ключевые архитектурные особенности

• ОбучениеNMS: благодаря использованию последовательных двойных заданий YOLOv10 необходимость в NMS вывода. Это сокращает задержку и упрощает процессы развертывания, особенно для приложений пограничного вычисления.
• Комплексный дизайн эффективности: архитектура оптимизирует различные компоненты для снижения вычислительных затрат (FLOP) при сохранении высокой производительности.
• Улучшенная задержка: как показано в таблице, YOLOv10 обычно обеспечивают более низкое время вывода по сравнению с YOLOv9 при аналогичном уровне точности.

Технические детали можно найти в статьеYOLOv10 .

YOLOv9: Освоение информационного потока

YOLOv9, выпущенная 21 февраля 2024 года Чень-Яо Ван и Хонг-Юань Марк Ляо из Академии Синика, посвящена теоретической проблеме потери информации в глубоких нейронных сетях.

Узнайте больше о YOLOv9

Ключевые архитектурные особенности

• Архитектура GELAN: обобщенная сеть эффективной агрегации уровней сочетает в себе преимущества CSPNet и ELAN для максимального использования параметров.
• Программируемая градиентная информация (PGI): этот вспомогательный механизм контроля гарантирует, что глубокие слои сохраняют критически важную информацию для точного обнаружения, что делает модель высокоэффективной для задач, требующих высокой точности.
• Высокая точность: модель YOLOv9e достигает впечатляющего показателя^mAPval в 55,6%, превосходя многих современных конкурентов по точности обнаружения.

Для более глубокого изучения темы прочитайте статьюYOLOv9 .

Обучение и простота использования

Обе модели полностью интегрированы в Ultralytics , обеспечивая единый и беспрепятственный опыт для разработчиков. Независимо от того, используете ли вы YOLOv10 YOLOv9, Python Ultralytics упрощает процесс обучения, пополнения данных и ведения журналов.

Пример кода

Обучение модели на пользовательском наборе данных или стандартном тесте, таком как COCO8 сложности. Фреймворк автоматически обрабатывает различия в архитектуре.

from ultralytics import YOLO

# Load a model (Choose YOLOv10 or YOLOv9)
model = YOLO("yolov10n.pt")  # or "yolov9c.pt"

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model
model.val()

Идеальные варианты использования

Выбор между YOLOv10 YOLOv9 зависит от конкретных ограничений вашей среды развертывания.

Когда выбирать YOLOv10

• Ограничения по низкой задержке: если ваше приложение работает на мобильных устройствах или встроенных системах, где важна каждая миллисекунда, конструкция YOLOv10 NMS YOLOv10 значительное преимущество.
• Простое развертывание: устранение этапов постобработки упрощает экспорт в такие форматы, как ONNX или TensorRT, что снижает риск несовместимости операторов.
• Видео в реальном времени: идеально подходит для управления дорожным движением или высокоскоростных производственных линий, где пропускная способность имеет решающее значение.

Когда выбирать YOLOv9

• Максимальная точность: для исследовательских приложений или сценариев, где точность имеет первостепенное значение (например, анализ медицинских изображений), архитектура YOLOv9e, усовершенствованная с помощью PGI, обеспечивает превосходные результаты.
• Обнаружение мелких объектов: Благодаря сохранению богатых характеристик GELAN, YOLOv9 эффективен для обнаружения мелких или закрытых объектов на аэрофотоснимках.
• Сложные сцены: в условиях высокой визуальной загруженности программируемая информация о градиенте помогает модели более эффективно различать значимые объекты.

Будущее уже наступило: YOLO26

Хотя YOLOv9 YOLOv10 мощными инструментами, область компьютерного зрения быстро развивается. Ultralytics выпустила YOLO26, модель, которая синтезирует лучшие характеристики предыдущих поколений и одновременно внедряет революционные оптимизации.

Узнайте больше о YOLO26

YOLO26 — рекомендуемый выбор для новых проектов, обеспечивающий превосходный баланс скорости, точности и универсальности.

Почему стоит перейти на YOLO26?

• Беспрерывная работа NMS: как и YOLOv10, YOLO26 изначально работает в беспрерывном режиме. Это устраняет необходимость в NMS , обеспечивая более быстрое выведение и упрощенные конвейеры развертывания.
• Оптимизатор MuSGD: Вдохновленный инновациями в области обучения больших языковых моделей (LLM) (в частности, Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD оптимизатора Muon. Это приводит к значительно более стабильному обучению и более быстрой конвергенции.
• Удаление DFL: благодаря удалению Distribution Focal Loss (распределение фокальной потери) YOLO26 оптимизирует архитектуру модели, делая ее более удобной для экспорта и совместимой с более широким спектром периферийных/маломощных устройств.
• Резкий скачок производительности: оптимизации, специально направленные на CPU , обеспечивают скорость, на 43 % превышающую скорость предыдущих поколений, что делает его мощным инструментом для периферийного искусственного интеллекта.
• Универсальность задач: В отличие от версий v9 и v10, ориентированных на обнаружение, YOLO26 включает в себя специализированные улучшения для всех задач:
  • Сегментация: новая семантическая потеря сегментации и многомасштабный протокол.
  • Поза: оценка остаточной логарифмической вероятности (RLE) для высокоточных ключевых точек.
  • OBB: Специализированная потеря угла для решения проблем границ в задачах ориентированной ограничивающей рамки.

Оптимизированный рабочий процесс с Ultralytics

Разработчики могут использовать Ultralytics (ранее HUB) для управления всем жизненным циклом своих моделей YOLO26. От аннотирования наборов данных до обучения в облаке и развертывания на периферийных устройствах — платформа предоставляет унифицированный интерфейс, который ускоряет вывод продукта на рынок.

Заключение

Оба YOLOv10 и YOLOv9 представляют собой важные вехи в истории обнаружения объектов. YOLOv10 , что архитектуры NMS могут достигать передовых показателей, а YOLOv9 важность потока градиентной информации в глубоких сетях.

Однако для разработчиков, которые ищут самое надежное, универсальное и перспективное решение, YOLO26 является лучшим выбором. Благодаря сочетанию конструкции NMS с революционным оптимизатором MuSGD и обширной поддержкой задач, YOLO26 предлагает оптимальный баланс производительности для современных приложений компьютерного зрения.

Связанные модели

• YOLO11 — надежный предшественник YOLO26, известный своей стабильностью.
• YOLOv8 — универсальная классическая модель, широко используемая в промышленности.
• RT-DETR — детектор реального времени на основе трансформатора.

Комментарии