Перейти к содержанию

YOLOv6.0 против YOLO: техническое сравнение для обнаружения объектов

Выбор подходящей архитектуры компьютерного зрения - важнейшее решение для инженеров и исследователей. В области обнаружения объектов царит конкурентная борьба, и промышленные гиганты постоянно расширяют границы скорости и точности. На этой странице представлено всестороннее техническое сравнение YOLOv6.0, аппаратно-эффективной модели от Meituan, и YOLO, технологически насыщенной архитектуры от Alibaba Group.

Обзор YOLOv6.0

YOLOv6.0 - это надежный фреймворк, разработанный специально для промышленных приложений. Выпущенный отделом Vision AI компании Meituan, он ставит во главу угла эффективность в реальном мире и стремится обеспечить высокую производительность при стандартных аппаратных ограничениях, встречающихся в производстве и автоматизации.

Архитектура и Ключевые Инновации

YOLOv6.0 совершенствует парадигму одноступенчатого детектора, уделяя особое внимание репараметризации. Эта техника позволяет модели иметь сложную структуру во время обучения для лучшего обучения, но сворачиваться в более простую и быструю структуру во время вывода.

  • Магистраль EfficientRep: В основе используются отдельные блоки для моделей разного размера (EfficientRep для маленьких моделей и CSPStackRep для больших), что позволяет оптимизировать использование аппаратных возможностей GPU .
  • Шея Rep-PAN: Шея использует топологию Rep-PAN, улучшая слияние функций при сохранении высокой скорости вывода.
  • Самодистилляция: Ключевая методология обучения, при которой модель учится на своих собственных предсказаниях (в частности, ветви учителя в той же сети), чтобы повысить точность без вычислительных затрат на отдельную модель-учитель во время развертывания.

Промышленная оптимизация

YOLOv6 специально разработан с учетом квантования. Его архитектура дружелюбна к посттренинговому квантованию (PTQ) и обучению с учетом квантования (QAT), что делает его сильным кандидатом для развертывания на пограничных устройствах, где точность INT8 предпочтительнее скорости.

Узнайте больше о YOLOv6

Обзор DAMO-YOLO

YOLO, разработанная компанией Alibaba Group, представляет собой набор новых технологий для оптимизации компромисса между производительностью и задержкой. Его отличительной особенностью является использование нейронной архитектуры поиска (NAS) и передовых методов объединения признаков.

Архитектура и Ключевые Инновации

YOLO отходит от чисто ручного создания архитектур, частично полагаясь на автоматизированные стратегии поиска эффективных структур.

  • Магистраль на основе NAS (MazeNet): Магистраль создается с помощью MAE-NAS (поиск нейронной архитектуры), в результате чего получается структура под названием MazeNet, высоко оптимизированная для различных вычислительных бюджетов.
  • Эффективная сеть RepGFPN: Используется обобщенная сеть пирамид признаков (GFPN) в сочетании с репараметризацией. Это позволяет объединить многомасштабные признаки, что очень важно для обнаружения объектов различных размеров.
  • ZeroHead: упрощенная конструкция головки обнаружения, которая уменьшает количество параметров и вычислительную сложность на конечном этапе работы сети.
  • AlignedOTA: динамическая стратегия присвоения меток, которая решает проблему несоответствия между задачами классификации и регрессии в процессе обучения.

Расширенное слияние функций

Горловина RepGFPN в YOLO особенно эффективна при работе со сложными сценами с перекрывающимися объектами. Благодаря возможности пропускать связи между различными масштабными уровнями, она сохраняет семантическую информацию лучше, чем стандартные структуры FPN.

Узнайте больше о DAMO-YOLO

Анализ производительности: скорость в сравнении с точностью

В следующем сравнении используются данные из набораCOCO val2017. Метрики подчеркивают компромиссы между двумя моделями в различных масштабах.

Модельразмер
(пиксели)		mAPval
50-95		Скорость
CPU ONNX
(мс)		Скорость
T4 TensorRT10
(мс)		параметры
(M)		FLOPs
(B)
YOLOv6.0n64037.5-1.174.711.4
YOLOv6.0s64045.0-2.6618.545.3
YOLOv6.0m64050.0-5.2834.985.8
YOLOv6.0l64052.8-8.9559.6150.7
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

Основные выводы

  1. Лидер по задержкам:YOLOv6.0n - самая быстрая модель в этом сравнении, ее время составляет 1,17 мс на GPU T4. Это делает ее исключительно подходящей для требований высокой частоты кадров в сценариях вывода в реальном времени.
  2. Пик точности:YOLOv6.0l достигает наивысшей точности с mAP 52.8, демонстрируя эффективность своей тяжелой магистрали и стратегии самодистилляции, хотя и ценой более высоких параметров и FLOPs по сравнению с YOLO.
  3. Эффективность:DAMO-YOLOs превосходит YOLOv6.0s по точности (46,0 против 45,0 mAP) при меньшем количестве параметров (16,3M против 18,5M). Это подчеркивает эффективность магистрали с NAS-поиском в режиме малых моделей.
  4. Эффективность параметров: В целом, модели YOLO демонстрируют более низкие значения FLOP и количества параметров при сопоставимой точности в среднем и большом диапазоне, что подтверждает эффективность конструкции ZeroHead.

Преимущество Ultralytics

В то время как YOLOv6.0 и YOLO предлагают привлекательные функции для конкретных ниш, Ultralytics YOLO11 представляет собой более целостное решение для современной разработки ИИ. Выбор модели Ultralytics открывает доступ к комплексной экосистеме, призванной оптимизировать весь жизненный цикл машинного обучения.

Почему стоит выбрать Ultralytics YOLO?

  • Непревзойденная простота использования: В отличие от исследовательских репозиториев, которые часто требуют сложной настройки среды и компиляции пользовательских операторов C++, модели Ultralytics можно установить с помощью простого pip install ultralytics. Интуитивный Python API позволяет обучать и развертывать модели всего в нескольких строках кода.
  • Баланс производительности: YOLO11 разработан для обеспечения оптимального баланса между скоростью и точностью выводов, часто превосходя конкурентов в реальных бенчмарках при сохранении низких требований к памяти во время обучения.
  • Универсальность задач: В то время как YOLOv6 и YOLO являются в первую очередь детекторами объектов, Ultralytics YOLO поддерживает широкий спектр задач, включая сегментацию объектов, оценку позы, классификацию и обнаружение ориентированных границ (Oriented Bounding Box, OBB).
  • Хорошо поддерживаемая экосистема: Ultralytics обеспечивает живую экосистему с частыми обновлениями, обширной документацией и поддержкой сообщества через Discord и GitHub. Это гарантирует, что ваш проект останется перспективным и совместимым с новейшими аппаратными и программными библиотеками.
  • Гибкость развертывания: Легкий экспорт обученных моделей в различные форматы, такие как ONNX, TensorRT, CoreML и OpenVINO с помощью встроенного режима экспорта, что облегчает развертывание на любых устройствах - от облачных серверов до Raspberry Pi.

Пример: Запуск обнаружения объектов с помощью YOLO11

С Ultralytics начать работу с самыми современными средствами обнаружения очень просто:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

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

# Display the results
results[0].show()

Заключение

И YOLOv6.0, и YOLO представляют собой значительные вехи в эволюции обнаружения объектов. YOLOv6.0, особенно в варианте Nano, отлично работает в промышленных условиях, где скорость и поддержка квантования имеют первостепенное значение. YOLO демонстрирует возможности нейронной архитектуры поиска и инновационного объединения признаков, предлагая высокую эффективность и точность в диапазоне малых и средних моделей.

Однако разработчикам требуется готовое к производству решение, сочетающее в себе современную производительность, универсальность и простоту использования, Ultralytics YOLO11 остается рекомендованным выбором. Его надежная экосистема, многозадачные возможности и бесшовная интеграция в современные рабочие процессы MLOps дают неоспоримое преимущество для обеспечения успеха проекта.

Изучите другие модели

Чтобы расширить свое представление о ландшафте обнаружения объектов, изучите эти сравнения моделей:


Комментарии