Сравнение моделей: YOLOv5 против YOLOv6-3.0 для обнаружения объектов
Выбор оптимальной модели обнаружения объектов очень важен для успешной работы приложений компьютерного зрения. И Ultralytics YOLOv5 , и Meituan YOLOv6-3.0 являются популярными вариантами, известными своей эффективностью и точностью. На этой странице представлено техническое сравнение, которое поможет вам решить, какая модель лучше всего подходит для вашего проекта. Мы рассмотрим их архитектурные нюансы, эталоны производительности, подходы к обучению и подходящие приложения.
Ultralytics YOLOv5
YOLOv5 Это одноэтапная модель обнаружения объектов, известная своей скоростью и адаптивностью. Разработанная компанией Ultralytics и первоначально выпущенная 26 июня 2020 года, YOLOv5 построена на основе гибкой архитектуры, позволяющей легко масштабировать и настраивать ее. В ее архитектуре используются такие компоненты, как CSPBottleneck, что позволяет оптимизировать скорость вывода и поддерживать баланс с точностью.
- Авторы: Гленн Джочер
- Организация: Ultralytics
- Дата: 2020-06-26
- GitHub: РепозиторийYOLOv5 на GitHub
- Документация: YOLOv5 Docs
YOLOv5 предлагает ряд моделей разных размеров (n, s, m, l, x), каждая из которых предназначена для удовлетворения различных требований к производительности. Меньшие модели, такие как YOLOv5n, идеально подходят для краевых устройств благодаря своим компактным размерам и быстрому выводу, в то время как большие модели, такие как YOLOv5x, обеспечивают повышенную точность для более сложных задач. Благодаря своей скорости и эффективности YOLOv5 особенно эффективен в приложениях, требующих обнаружения объектов в режиме реального времени.
Сильные стороны YOLOv5:
- Скорость: YOLOv5 отличается высокой скоростью вывода, что делает его подходящим для приложений, работающих в режиме реального времени.
- Гибкость: Его архитектура отличается высокой степенью настраиваемости и масштабируемости.
- Поддержка сообщества: Опирается на большое и активное сообщество, предлагающее обширные ресурсы и поддержку.
- Простота использования: простые рабочие процессы для обучения, проверки и развертывания, усовершенствованные Ultralytics HUB.
Слабые стороны YOLOv5:
- Точность: Несмотря на точность, более крупные модели YOLOv6-3.0 в некоторых бенчмарках могут достигать чуть более высоких показателей mAP.
Meituan YOLOv6-3.0
YOLOv6-3.0, разработанная компанией Meituan и представленная в январе 2023 года, представляет собой усовершенствование серии YOLO , сфокусированное на повышении точности и скорости. Хотя конкретные архитектурные детали можно найти в официальных ресурсах YOLOv6, в ней реализованы такие инновации, как модуль двунаправленной конкатенации (BiC) и стратегия обучения с помощью якоря (AAT). Эти усовершенствования направлены на повышение точности извлечения и обнаружения признаков без существенного снижения скорости.
- Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, and Xiangxiang Chu
- Организация: Meituan
- Дата: 2023-01-13
- arXiv: YOLOv6 v3.0: Полномасштабная перезагрузка
- GitHub: Репозиторий YOLOv6 на GitHub
- Документация: YOLOv6 Docs
YOLOv6-3.0 также предоставляет модели различных размеров (n, s, m, l), чтобы сбалансировать производительность и вычислительные ресурсы. Бенчмарки показывают, что модели YOLOv6-3.0 могут достигать конкурентоспособной или превосходящей mAP по сравнению с моделями YOLOv5 аналогичного размера, особенно в больших конфигурациях, что говорит о повышенной точности в задачах обнаружения объектов.
Сильные стороны YOLOv6-3.0:
- Точность: Как правило, обеспечивает конкурентоспособную или лучшую карту обзора, особенно в моделях больших размеров.
- Скорость вывода: Обеспечивает высокую скорость вывода, подходящую для обнаружения объектов в реальном времени.
- Архитектурные инновации: Включает в себя модуль BiC и AAT для повышения производительности.
Слабые стороны YOLOv6-3.0:
- Сообщество и ресурсы: Несмотря на свою эффективность, он может не иметь такой широкой поддержки сообщества и легкодоступных ресурсов, как YOLOv5.
- Интеграция: Прямая интеграция с Ultralytics HUB и связанными с ним инструментами может быть менее удобной, чем с собственными моделями Ultralytics .
Сравнительная таблица производительности
| Модель | размер(пиксели) | mAPval50-95 | СкоростьCPU ONNX(мс) | СкоростьT4ТензорRT10(мс) | params(M) | FLOPs(B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Заключение
И YOLOv5 , и YOLOv6-3.0 - это надежные модели обнаружения объектов, каждая из которых обладает уникальными преимуществами. YOLOv5 остается очень универсальной и быстрой моделью, пользующейся широкой поддержкой сообщества и бесшовной интеграцией в экосистему Ultralytics . Это отличный выбор для широкого спектра приложений, работающих в режиме реального времени. YOLOv6-3.0 предлагает привлекательную альтернативу для проектов, в которых приоритетом является высокая точность без ущерба для скорости вывода. Его архитектурные усовершенствования обеспечивают преимущество в производительности в определенных сценариях.
Пользователи, которым нужны самые современные модели, могут изучить новые модели Ultralytics , такие как YOLOv8, YOLOv9, YOLOv10 и YOLO11. Для специализированных приложений подойдут такие модели, как YOLO и RT-DETR предлагают уникальные преимущества, в то время как FastSAM обеспечивает эффективную сегментацию.
Более подробную информацию и широкий спектр моделей можно найти в документации по моделямUltralytics .
