YOLOv6.0 против EfficientDet: Баланс между скоростью и точностью обнаружения объектов

В быстро развивающемся ландшафте компьютерного зрения выбор правильной архитектуры обнаружения объектов имеет решающее значение для успеха вашего проекта. В этом сравнении рассматриваются YOLOv6.0 и EfficientDet- две известные модели, которые подходят к решению задачи визуального распознавания с разных сторон. В то время как EfficientDet фокусируется на эффективности параметров и масштабируемости, YOLOv6.0 разработан специально для промышленных приложений, где задержка вывода и скорость работы в реальном времени не являются обязательными условиями.

Показатели производительности и технический анализ

Фундаментальное различие между этими двумя архитектурами заключается в их философии проектирования. EfficientDet опирается на сложный механизм слияния признаков, известный как BiFPN, который повышает точность, но часто за счет скорости вычислений на GPU. В YOLOv6.0, напротив, используется аппаратно-ориентированный дизайн, использующий репараметризацию для оптимизации операций во время вывода, что приводит к значительному повышению FPS (кадров в секунду).

Приведенная ниже таблица иллюстрирует этот компромисс. Хотя EfficientDet-d7 достигает высокого mAP, его задержка существенна. Напротив, YOLOv6.0l обеспечивает сопоставимую точность при значительно меньшем времени вывода, что делает его гораздо более подходящим для сценариев вывода в реальном времени.

YOLOv6.0: Создано для промышленности

YOLOv6.0 - это одноступенчатый детектор объектов, разработанный для преодоления разрыва между академическими исследованиями и промышленными требованиями. В нем приоритетом является скорость без ущерба для точности, необходимой для таких задач, как проверка качества.

Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, and Xiangxiang Chu
Organization:Meituan
Date: 2023-01-13
Arxiv:YOLOv6 v3.0: Полномасштабная перезагрузка
GitHub:YOLOv6
Docs:YOLOv6 Documentation

Архитектура и сильные стороны

Основой YOLOv6.0 является ее эффективная основа и дизайн "RepOpt". Благодаря использованию репараметризации модель отделяет многоразветвленные структуры времени обучения от одноразветвленных структур времени вывода. В результате получается модель, которую легко обучить с богатыми градиентами, но при этом она очень быстро выполняется.

• Самодистилляция: В стратегии обучения используется самораспространение, когда предсказание самой модели действует как мягкая метка, направляющая обучение, повышая точность без дополнительных данных.
• Поддержка квантования: Он разработан с учетом квантования модели, что позволяет минимизировать падение точности при преобразовании в INT8 для развертывания на границе.
• Промышленная направленность: Идеально подходит для ИИ в производстве и робототехнике, где важна миллисекундная задержка.

Узнайте больше о YOLOv6.0

EfficientDet: Масштабируемая точность

EfficientDet произвел революцию в этой области, представив концепцию составного масштабирования для обнаружения объектов. Она оптимизирует глубину, ширину и разрешение сети одновременно для достижения превосходной производительности по каждому параметру.

Авторы: Mingxing Tan, Ruoming Pang, and Quoc V. Le
Organization:Google
Дата: 2019-11-20
Arxiv:EfficientDet: Масштабируемое и эффективное обнаружение объектов
GitHub:google

Архитектура и сильные стороны

EfficientDet опирается на основу EfficientNet и представляет двунаправленную сеть пирамид признаков (BiFPN). Эта сложная шейная структура позволяет легко и быстро объединять разномасштабные признаки.

• BiFPN: В отличие от традиционных FPN, BiFPN позволяет информации течь как сверху вниз, так и снизу вверх, применяя весовые коэффициенты к различным входным признакам, чтобы подчеркнуть их важность.
• Сложное масштабирование: Простой коэффициент $\phi$ позволяет пользователям увеличивать масштаб модели (от d0 до d7) в зависимости от имеющихся ресурсов, обеспечивая предсказуемую кривую "точность-вычисления".
• Эффективность параметров: Меньшие варианты (d0-d2) чрезвычайно легки с точки зрения размера диска и количества FLOP, что делает их полезными в средах с ограниченным объемом памяти.

Узнайте больше об EfficientDet

Реальные примеры использования

Выбор между этими моделями часто зависит от конкретных ограничений среды развертывания.

Идеальные сценарии для YOLOv6.0

• Высокоскоростное производство: Обнаружение дефектов на быстро движущихся конвейерных лентах, где требуется высокая частота кадров для track каждого элемента.
• Автономная навигация: Позволяет роботам ориентироваться в динамических средах, обрабатывая видеопоток в режиме реального времени.
• Пограничные вычисления: Развертывание на таких устройствах, как NVIDIA Jetson, где ресурсы GPU должны быть максимально эффективными для обеспечения пропускной способности.

Идеальные сценарии для EfficientDet

• Медицинский анализ: анализ статичных изображений высокого разрешения, например, обнаружение опухолей на рентгеновских снимках, где время обработки не так важно, как точность.
• Дистанционное зондирование: Обработка спутниковых снимков в автономном режиме для выявления изменений окружающей среды или развития городов.
• IoT с низким объемом памяти: Устройства с крайне ограниченным объемом памяти, которым требуется небольшой размер файла модели (например, EfficientDet-d0).

Преимущество Ultralytics: Почему стоит выбрать YOLO11?

Хотя YOLOv6.0 и EfficientDet являются способными моделями, но Ultralytics YOLO11 представляют собой передовой край технологии компьютерного зрения. YOLO11 усовершенствует лучшие атрибуты предыдущих поколений YOLO и объединяет их в бесшовную, удобную для пользователя экосистему.

Ключевые преимущества YOLO11

1. Простота использования: Ultralytics уделяет первостепенное внимание работе с разработчиками. Благодаря Pythonic API вы можете обучать, проверять и развертывать модели всего в нескольких строках кода, в отличие от сложных конфигурационных файлов, которые часто требуются для EfficientDet.
2. Универсальность: В отличие от YOLOv6 и EfficientDet, которые являются преимущественно моделями обнаружения объектов, YOLO11 поддерживает множество задач, включая сегментацию объектов, оценку позы, ориентированные ограничительные рамки (ООБ) и классификацию.
3. Баланс производительности: В YOLO11 достигнут современный компромисс между скоростью и точностью. Он постоянно превосходит старые архитектуры на наборе данныхCOCO , сохраняя при этом низкую задержку.
4. Хорошо поддерживаемая экосистема: Модели Ultralytics поддерживаются активным сообществом и часто обновляются. Вы получаете доступ к обширной документации, учебным пособиям и бесшовным интеграциям с такими инструментами, как Ultralytics HUB, для облачного обучения и управления наборами данных.
5. Эффективность обучения: YOLO11 разработан для экономии ресурсов во время обучения, часто сходится быстрее и требует меньше памятиGPU , чем сложные модели на основе трансформаторов или старые архитектуры.

from ultralytics import YOLO

# Load the YOLO11 model (recommended over older versions)
model = YOLO("yolo11n.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

Узнайте больше о YOLO11

Изучите другие модели

Если вы оцениваете возможности своего конвейера компьютерного зрения, обратите внимание на другие модели в каталоге Ultralytics . Сайт YOLOv8 предлагает надежную производительность для широкого круга задач, а основанная на трансформаторах RT-DETR является альтернативой для сценариев, требующих глобального понимания контекста. Для мобильных приложений, YOLOv10 также заслуживает внимания. Их сравнение с EfficientDet поможет скорректировать выбор с учетом специфики оборудования и требований к точности.

Комментарии