YOLOv5 vs. DAMO-YOLO: Подробное техническое сравнение

В быстро развивающейся области компьютерного зрения выбор правильной архитектуры обнаружения объектов имеет решающее значение для успеха проекта. В этом сравнении рассматриваются две важные модели: Ultralytics YOLOv5, глобально принятый отраслевой стандарт, известный своей надежностью и скоростью, и DAMO-YOLO, модель от Alibaba Group, ориентированная на исследования, которая представляет новые методы поиска архитектуры.

В то время как обе модели направлены на решение задач object detection, они отвечают разным потребностям. YOLOv5 уделяет приоритетное внимание простоте использования, универсальности развертывания и балансу производительности в реальном мире, в то время как DAMO-YOLO фокусируется на расширении академических границ с помощью Neural Architecture Search (NAS) и механизмов тяжелого слияния признаков.

Метрики производительности и тесты

Понимание компромиссов между скоростью инференса и точностью detect имеет важное значение при выборе модели для производства. Следующие данные показывают, как эти модели работают на наборе данных COCO, стандартном эталоне для object detection.

Анализ результатов

Данные выявляют отчетливую дихотомию в философии проектирования. YOLOv5n (Nano) является бесспорным лидером по скорости и эффективности, предлагая невероятное время вывода 1.12 мс на GPU и широкодоступную производительность CPU. Это делает его идеальным для приложений edge AI, где низкая задержка является обязательным условием.

Модели DAMO-YOLO, такие как DAMO-YOLOl, достигают незначительно более высоких средняя точность (mAP), достигая пика в 50.8, но за счет непрозрачности метрик производительности CPU. Отсутствие информации о скорости CPU для DAMO-YOLO говорит о том, что он в первую очередь оптимизирован для high-end GPU сред, что ограничивает его гибкость для более широких сценариев развертывания, таких как мобильные приложения или встроенные системы.

Ultralytics YOLOv5: Универсальный промышленный стандарт

Author: Glenn Jocher
Organization:Ultralytics
Date: 2020-06-26
GitHub:https://github.com/ultralytics/yolov5
Documentation:https://docs.ultralytics.com/models/yolov5/

С момента своего выпуска YOLOv5 зарекомендовала себя как краеугольный камень в сообществе компьютерного зрения. Будучи изначально разработанной на PyTorch, она сочетает в себе сложность и удобство использования, обеспечивая комплексный опыт «из коробки». Ее архитектура использует бэкбон CSPDarknet и neck PANet, которые эффективно агрегируют признаки в разных масштабах для обнаружения объектов различных размеров.

Ключевые преимущества

• Простота использования: Ultralytics уделяет первостепенное внимание опыту разработчиков (DX). С простым Python API и интуитивно понятными CLI commands пользователи могут обучать и развертывать модели за считанные минуты.
• Хорошо поддерживаемая экосистема: Поддерживаемый активным сообществом и частыми обновлениями, YOLOv5 обеспечивает совместимость с новейшими инструментами, включая Ultralytics HUB для беспрепятственного управления моделями.
• Универсальность: Помимо стандартного detect, YOLOv5 поддерживает instance segmentation и image classification, позволяя разработчикам решать множество задач компьютерного зрения с помощью единого фреймворка.
• Гибкость развертывания: От экспорта в ONNX и TensorRT до запуска на iOS и Android, YOLOv5 разработан для работы где угодно.

Узнайте больше о YOLOv5

DAMO-YOLO: Точность, основанная на исследованиях

Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang и Xiuyu Sun
Организация: Alibaba Group
Дата: 2022-11-23
Arxiv:https://arxiv.org/abs/2211.15444v2
GitHub:https://github.com/tinyvision/DAMO-YOLO

DAMO-YOLO — это метод, разработанный DAMO Academy компании Alibaba. Он представляет собой набор передовых технологий, включая Neural Architecture Search (NAS) для автоматического проектирования эффективных магистральных сетей (MAE-NAS), тяжелую структуру шеи, известную как RepGFPN (Reparameterized Generalized Feature Pyramid Network), и легкую головку под названием ZeroHead.

Основные характеристики

• Бэкбон MAE-NAS: Использует метод под названием MAE-NAS для поиска оптимальной структуры сети при определенных ограничениях задержки, хотя это может усложнить ручное изменение архитектуры.
• Назначение меток AlignedOTA: Использует стратегию динамического назначения меток под названием AlignedOTA для решения проблем рассогласования между задачами классификации и регрессии.
• Акцент на точности: Основная цель DAMO-YOLO — максимизировать mAP на наборе данных COCO, что делает его сильным претендентом для соревнований или академических исследований, где важна каждая доля процента.

Узнайте больше о DAMO-YOLO

Архитектурные и операционные различия

Расхождение между YOLOv5 и DAMO-YOLO выходит за рамки простых метрик и распространяется на их основные философии проектирования и операционные требования.

Архитектура: Простота и сложность

YOLOv5 использует разработанную вручную, интуитивно понятную архитектуру. Его основанный на anchor boxes подход хорошо понятен и прост в отладке. В отличие от этого, DAMO-YOLO полагается на тяжелую репараметризацию и автоматический поиск (NAS). Хотя NAS может создавать эффективные структуры, это часто приводит к моделям «черного ящика», которые разработчикам сложно настраивать или интерпретировать. Кроме того, тяжелый neck (RepGFPN) в DAMO-YOLO увеличивает вычислительную нагрузку во время обучения, требуя больше памяти GPU по сравнению с эффективной конструкцией CSP YOLOv5.

Эффективность обучения и память

Модели Ultralytics известны своей эффективностью обучения. YOLOv5 обычно требует меньше памяти CUDA, что позволяет обучать его на GPU потребительского класса. DAMO-YOLO, с ее сложными процессами повторной параметризации и дистилляции, часто требует высокопроизводительного оборудования для эффективного обучения. Кроме того, Ultralytics предоставляет обширную библиотеку предварительно обученных весов и автоматизированную настройку гиперпараметров для ускорения пути к сходимости.

Экосистема и простота использования

Возможно, самое существенное различие заключается в экосистеме. YOLOv5 — это не просто модель; это часть комплексного набора инструментов.

• Документация: Ultralytics поддерживает обширную многоязычную документацию, которая направляет пользователей от сбора данных до развертывания.
• Сообщество: Огромное глобальное сообщество гарантирует быстрое решение проблем и легкий доступ к учебным пособиям.
• Интеграции: Нативная поддержка наборов данных Roboflow и целей развертывания, таких как NVIDIA Jetson, упрощает весь конвейер.

DAMO-YOLO, в первую очередь исследовательский репозиторий, не имеет такого уровня отлаженной поддержки, что значительно усложняет интеграцию в коммерческие продукты.

Реальные примеры использования

Выбор между этими моделями часто зависит от конкретной среды развертывания.

Где превосходит YOLOv5

• Умное сельское хозяйство: Низкие требования к ресурсам делают его идеальным для запуска на дронах или автономных тракторах для обнаружения болезней сельскохозяйственных культур.
• Производство: В промышленной автоматизации высокая скорость YOLOv5 позволяет в реальном времени обнаруживать дефекты на быстродвижущихся конвейерных лентах.
• Аналитика розничной торговли: Для подсчета объектов и управления очередями производительность YOLOv5 на CPU обеспечивает экономичное развертывание на существующем оборудовании магазина.

В чем DAMO-YOLO превосходит другие модели

• Академические исследования: Исследователи, изучающие эффективность RepGFPN или методов NAS, сочтут DAMO-YOLO ценным базовым уровнем.
• Высококачественное видеонаблюдение: В сценариях с выделенными GPU серверного класса, где точность является приоритетом над задержкой, DAMO-YOLO может обеспечить точное detect в сложных сценах.

Пример кода: Начало работы с YOLOv5

Запуск YOLOv5 прост благодаря пакету Ultralytics python. В следующем примере показано, как загрузить предварительно обученную модель и запустить inference на изображении.

import torch

# Load a pre-trained YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s", pretrained=True)

# Define an image URL or local path
img = "https://ultralytics.com/images/zidane.jpg"

# Run inference
results = model(img)

# Print results to the console
results.print()

# Show the image with bounding boxes
results.show()

Заключение

И YOLOv5, и DAMO-YOLO вносят значительный вклад в область detect объектов. DAMO-YOLO демонстрирует потенциал поиска нейронной архитектуры и продвинутой интеграции признаков для достижения высоких показателей точности.

Однако, для подавляющего большинства разработчиков, инженеров и предприятий Ultralytics YOLOv5 остается лучшим выбором. Его непревзойденная простота использования, надежный баланс производительности и безопасность хорошо поддерживаемой экосистемы гарантируют, что проекты переходят от прототипа к производству с минимальными трудностями. Возможность эффективного развертывания на CPU и GPU в сочетании с более низкими требованиями к памяти для обучения делает YOLOv5 весьма практичным решением для реальных приложений.

Для тех, кто хочет использовать самые последние достижения в области компьютерного зрения, Ultralytics продолжает внедрять инновации с помощью YOLOv8 и современной YOLO11. Эти новые модели опираются на прочный фундамент YOLOv5, предлагая еще большую скорость, точность и универсальность задач.

Изучите другие сравнения

Чтобы лучше понять, как эти модели вписываются в более широкую экосистему, изучите эти подробные сравнения:

• YOLOv5 vs YOLOv8
• DAMO-YOLO против YOLOv8
• YOLOv5 против RT-DETR
• DAMO-YOLO vs. YOLO11
• YOLOv5 против YOLOv7

Комментарии