YOLOv6.0 против YOLOv10: подробное техническое сравнение

Выбор оптимальной модели компьютерного зрения имеет решающее значение для успеха инициатив в области искусственного интеллекта, обеспечивая баланс между такими факторами, как задержка вывода, точность и вычислительная эффективность. В этом комплексном техническом сравнении рассматриваются две известные архитектуры обнаружения объектов: YOLOv6.0, разработанную для промышленной скорости, и YOLOv10известная своей сквозной эффективностью в режиме реального времени. Мы анализируем их архитектурные инновации, эталонные показатели и идеальные сценарии использования, чтобы помочь вам в выборе.

YOLOv6.0: Скорость и точность промышленного уровня

YOLOv6.0, разработанный отделом интеллектуального видения компании Meituan, представляет собой одноэтапный фреймворк для обнаружения объектов, специально оптимизированный для промышленных приложений. Выпущенный в начале 2023 года, он ориентирован на аппаратное обеспечение и обеспечивает максимальную производительность на графических процессорах и пограничных устройствах, отвечая строгим требованиям к выводам в реальном времени в производстве и логистике.

• Авторы: Чуйи Ли, Лулу Ли, Ифэй Генг, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдан Ке, Сяомин Сюй и Сянсян Чу
• Организация:Meituan
• Дата: 13.01.2023
• Arxiv:https://arxiv.org/abs/2301.05586
• GitHub:https://github.com/meituan/YOLOv6
• Документы:https://docs.ultralytics.com/models/yolov6/

Архитектура и ключевые особенности

YOLOv6.0 представляет "Полномасштабную перезагрузку" своей архитектуры, включающую несколько передовых методов для улучшения извлечения признаков и скорости сходимости:

• Эффективная основа для перепараметризации: Используется аппаратно-ориентированная основа, которая позволяет упростить сложные обучающие структуры до более быстрых слоев вывода, оптимизируя количество FLOPS без ущерба для точности.
• Двунаправленная конкатенация (BiC): В конструкции шеи используется BiC для улучшения сигналов локализации, обеспечивая лучшее слияние признаков в разных масштабах.
• Обучение с помощью якорей (AAT): Несмотря на то, что YOLOv6.0 в основном свободен от якорей, в процессе обучения вновь вводятся вспомогательные ветви, основанные на якорях, для стабилизации сходимости и повышения производительности.

Сильные и слабые стороны

Сильные стороны: YOLOv6.0 отлично работает в сценариях, требующих высокой пропускной способности. Поддержка квантования модели позволяет эффективно развертывать ее на мобильных платформах и встраиваемых системах. Варианты "Lite" особенно полезны в условиях CPU.

Слабые стороны: Как модель, ориентированная исключительно на обнаружение объектов, она не имеет встроенной поддержки более широких задач, таких как сегментация объектов или оценка позы, которые можно найти в унифицированных фреймворках, таких как YOLO11. Кроме того, по сравнению с более новыми моделями, ее эффективность использования параметров ниже, что требует больше памяти для достижения аналогичных уровней точности.

Узнайте больше о YOLOv6

YOLOv10: Граница сквозной эффективности

YOLOv10 , представленный исследователями из Университета Цинхуа в мае 2024 года, расширяет границы семейства YOLO , устраняя необходимость в немаксимальном подавлении (NMS) при постобработке. Эта инновация позиционирует его как модель следующего поколения для приложений, критичных к задержкам.

• Авторы: Ao Wang, Hui Chen, Lihao Liu, и др.
• Организация:Университет Цинхуа
• Дата: 2024-05-23
• Arxiv:https://arxiv.org/abs/2405.14458
• GitHub:https://github.com/THU-MIG/yolov10
• Документы:https://docs.ultralytics.com/models/yolov10/

Архитектура и ключевые особенности

YOLOv10 использует целостную стратегию проектирования, ориентированную на эффективность и точность:

• ОбучениеNMS: Благодаря использованию последовательных двойных назначений (один ко многим для обучения, один к одному для вывода), YOLOv10 предсказывает один лучший ящик для каждого объекта. Это устраняет накладные расходы на вычисления и непостоянство задержки, связанные с постобработкой NMS .
• Целостный дизайн модели: Архитектура включает в себя облегченные классификационные головки и пространственно-канальную развязанную понижающую дискретизацию, что значительно снижает параметры модели и вычислительные затраты.
• Дизайн блоков с ранговым управлением: Для повышения эффективности в модели используется ранжированный дизайн блоков, чтобы уменьшить избыточность на этапах, где обработка функций менее важна.

Сильные и слабые стороны

Сильные стороны: YOLOv10 предлагает превосходный компромисс между скоростью и точностью, часто достигая более высокого mAP при значительно меньшем количестве параметров, чем у предшественников. Интеграция в экосистему Ultralytics Python делает его невероятно простым в обучении и развертывании наряду с другими моделями.

Слабые стороны: Является относительно новым продуктом, поэтому ресурсы сообщества и сторонние инструменты все еще растут. Как и YOLOv6, он специализирован для обнаружения, в то время как пользователи, нуждающиеся в многозадачных возможностях, могут предпочесть YOLO11.

Узнайте больше о YOLOv10

Анализ производительности: Метрики и контрольные показатели

В следующей таблице приведено сравнение производительности YOLOv6.0 и YOLOv10 на наборе данных COCO . Ключевые показатели включают размер модели, среднюю точностьmAP) и скорость вычислений на CPU и GPU.

Основные сведения

1. Эффективность параметров: YOLOv10 демонстрирует поразительную эффективность. Например, YOLOv10s достигает более высокого mAP (46,7 %), чем YOLOv6.0s (45,0 %), используя при этом менее половины параметров (7,2 М против 18,5 М). Такое сокращение объема памяти крайне важно для устройств с пограничным ИИ.
2. Латентность: Хотя YOLOv6.0n показывает немного более высокую задержку TensorRT (1,17 мс против 1,56 мс), YOLOv10 устраняет шаг NMS , который часто требует дополнительного времени в реальных конвейерах, не отражаемого в сыром времени вывода модели.
3. Точность: Практически во всех шкалах YOLOv10 обеспечивает более высокую точность, что делает его более надежным выбором для обнаружения сложных объектов в сложных условиях.

Использование и внедрение

Ultralytics предлагает упрощенный опыт использования этих моделей. YOLOv10 изначально поддерживается в ultralytics пакет, позволяющий беспрепятственно обучение и предсказания.

Запуск YOLOv10 с помощью Ultralytics

Вы можете запустить YOLOv10 с помощью API Python , написав всего несколько строк кода. Это подчеркивает простоту использования, присущую экосистеме Ultralytics .

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

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

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

Использование YOLOv6.0

YOLOv6.0 обычно требует клонирования официального репозитория Meituan для обучения и выводов, так как в нем используется другая структура кодовой базы.

# Clone the YOLOv6 repository
git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt

# Inference using the official script
python tools/infer.py --weights yolov6s.pt --source path/to/image.jpg

Заключение: Выбор правильной модели

Обе модели представляют собой значительные достижения в области компьютерного зрения. YOLOv6.0 остается надежным выбором для устаревших промышленных систем, специально оптимизированных под ее архитектуру. Однако, YOLOv10 как правило, предлагает более высокую рентабельность инвестиций в новые проекты благодаря архитектуре NMS, превосходной эффективности параметров и более высокой точности.

Для разработчиков, стремящихся к максимальной универсальности и поддержке экосистемы, Ultralytics YOLO11 настоятельно рекомендуется. YOLO11 не только обеспечивает современную производительность обнаружения, но и поддерживает оценку позы, OBB и классификацию в рамках единого и хорошо поддерживаемого пакета. Экосистема Ultralytics обеспечивает эффективность процессов обучения, низкое потребление памяти и простой экспорт в такие форматы, как ONNX и TensorRTчто позволяет с уверенностью внедрять надежные решения в области искусственного интеллекта.

Дополнительная литература

• Ознакомьтесь с универсальным YOLO11 для многозадачного искусственного интеллекта.
• Сравните YOLOv10 с RT-DETR для обнаружения на основе трансформатора.
• Узнайте об экспорте моделей для максимальной скорости развертывания.

Комментарии