Сравнение моделей: YOLOv6-3.0 и YOLOv5 для обнаружения объектов
Выбор оптимальной модели обнаружения объектов имеет решающее значение для успешных приложений компьютерного зрения. Ultralytics YOLOv5 и Meituan YOLOv6-3.0 — популярные варианты, известные своей эффективностью и точностью. На этой странице представлено техническое сравнение, которое поможет вам решить, какая модель лучше всего подходит для нужд вашего проекта. Мы углубимся в их архитектурные нюансы, эталонные показатели производительности, подходы к обучению и подходящие приложения, выделяя сильные стороны экосистемы Ultralytics.
Meituan YOLOv6-3.0
YOLOv6-3.0, разработанный Meituan, представляет собой структуру обнаружения объектов, предназначенную в первую очередь для промышленных приложений. Выпущенный в начале 2023 года, он был направлен на обеспечение баланса между скоростью и точностью, подходящего для сценариев развертывания в реальном мире.
- Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu и Xiangxiang Chu
- Организация: Meituan
- Дата: 2023-01-13
- Arxiv: https://arxiv.org/abs/2301.05586
- GitHub: https://github.com/meituan/YOLOv6
- Документация: https://docs.ultralytics.com/models/yolov6/
Архитектура и ключевые особенности
В YOLOv6 были представлены архитектурные модификации, такие как эффективный, репараметризуемый backbone и оптимизированный neck-дизайн. В версии 3.0 эти элементы были дополнительно усовершенствованы и внедрены такие методы, как самодистилляция во время обучения, для повышения производительности. Он также предлагает специальные модели, оптимизированные для мобильного развертывания (YOLOv6Lite).
Сильные стороны
- Хороший компромисс между скоростью и точностью: Предлагает конкурентную производительность, особенно для задач промышленного обнаружения объектов на GPU.
- Поддержка квантования: Предоставляет инструменты и учебные пособия по квантованию моделей, что полезно для развертывания на оборудовании с ограниченными ресурсами.
- Мобильная оптимизация: Включает варианты YOLOv6Lite, специально разработанные для мобильного вывода или вывода на базе CPU.
Слабые стороны
- Ограниченная универсальность задач: В основном ориентирован на обнаружение объектов, не хватает встроенной поддержки сегментации экземпляров, классификации изображений и оценки позы, которые есть в моделях Ultralytics, таких как YOLOv8.
- Экосистема и обслуживание: Будучи проектом с открытым исходным кодом, экосистема не так всеобъемлюща и активно поддерживается, как платформа Ultralytics. Это может привести к замедлению обновлений, уменьшению поддержки сообщества и более сложному пользовательскому опыту.
- Более высокое использование ресурсов: Как видно из таблицы производительности, более крупные модели YOLOv6 могут иметь больше параметров и FLOPs, чем сопоставимые модели YOLOv5, что потенциально требует больше вычислительных ресурсов.
Ultralytics YOLOv5
Ultralytics YOLOv5 — это одноэтапная модель обнаружения объектов, известная своей скоростью, простотой использования и адаптируемостью. Разработанная компанией Ultralytics, она представляет собой значительный шаг в обеспечении доступности высокопроизводительного обнаружения объектов для широкой аудитории.
- Авторы: Glenn Jocher
- Организация: Ultralytics
- Дата: 26.06.2020
- GitHub: https://github.com/ultralytics/yolov5
- Документация: https://docs.ultralytics.com/models/yolov5/
Полностью построен на PyTorchYOLOv5 имеет основу CSPDarknet53 и горловину PANet для эффективного извлечения и объединения признаков. Его архитектура является высокомодульной, что позволяет легко масштабировать его на модели различных размеров (n, s, m, l, x) для удовлетворения различных требований к производительности.
Сильные стороны YOLOv5
- Скорость и эффективность: YOLOv5 превосходна по скорости инференса, что делает ее идеальной для приложений реального времени и развертывания на периферийных устройствах с ограниченными ресурсами. Ее производительность CPU особенно примечательна.
- Простота использования: Известная своей простотой, YOLOv5 предлагает оптимизированный пользовательский интерфейс с простым API, обширной документацией и многочисленными учебными пособиями.
- Хорошо поддерживаемая экосистема: Преимущества интегрированной экосистемы Ultralytics, включая активную разработку, сильную поддержку сообщества, частые обновления и бесшовную интеграцию с Ultralytics HUB для MLOps.
- Баланс производительности: Достигается хороший компромисс между скоростью и точностью, подходит для различных реальных сценариев развертывания.
- Эффективность обучения: Предлагает эффективные процессы обучения, легкодоступные предварительно обученные веса и более низкие требования к памяти по сравнению со многими другими архитектурами, особенно моделями на основе трансформеров.
- Универсальность: Поддерживает несколько задач, включая обнаружение объектов, сегментацию экземпляров и классификацию изображений в рамках единой структуры.
Слабые стороны YOLOv5
- Пиковая точность: Будучи весьма точными и эффективными, новые модели, такие как YOLOv6-3.0 или Ultralytics YOLOv8, могут предлагать несколько более высокий mAP на определенных эталонных тестах, особенно более крупные варианты моделей на GPU.
Прямое сравнение производительности: YOLOv6-3.0 против YOLOv5
В таблице ниже представлено подробное сравнение производительности моделей YOLOv6-3.0 и YOLOv5 на наборе данных COCO.
| Модель | размер (пиксели) |
mAPval 50-95 |
Скорость CPU ONNX (мс) |
Скорость T4 TensorRT10 (мс) |
параметры (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
Из данных следует, что модели YOLOv6-3.0, как правило, достигают более высоких показателей mAP для своих размеров на GPU. Однако Ultralytics YOLOv5 демонстрирует превосходный баланс производительности, особенно с точки зрения скорости CPU и эффективности модели. Например, YOLOv5n значительно быстрее на CPU и имеет меньше параметров и FLOPs, чем любая модель YOLOv6-3.0, что делает его отличным выбором для легких приложений, работающих в реальном времени. В то время как YOLOv6-3.0l имеет самый высокий mAP, YOLOv5x обеспечивает конкурентоспособный mAP с хорошо документированным и поддерживаемым фреймворком.
Методология обучения
Обе модели используют стандартные методы глубокого обучения для обучения на больших наборах данных, таких как COCO. Ultralytics YOLOv5 значительно выигрывает от экосистемы Ultralytics, предлагая оптимизированные рабочие процессы обучения, обширные руководства, оптимизацию AutoAnchor и интеграцию с такими инструментами, как Weights & Biases и ClearML для отслеживания экспериментов. Обучение YOLOv6-3.0 выполняется в соответствии с процедурами, описанными в его репозитории, что может потребовать больше ручной настройки и не иметь интегрированных инструментов MLOps платформы Ultralytics.
Идеальные варианты использования
- Meituan YOLOv6-3.0: Сильный конкурент, когда максимизация точности на GPU является основной целью, но при этом требуется быстрая инференция. Подходит для приложений, где небольшие улучшения mAP по сравнению с YOLOv5 оправдывают потенциально возросшую сложность или меньшую поддержку экосистемы, например, в специализированной промышленной автоматизации.
- Ultralytics YOLOv5: Настоятельно рекомендуется для приложений, требующих производительности в реальном времени и простоты развертывания, особенно на CPU или периферийных устройствах. Ее универсальность, обширная поддержка и эффективное использование ресурсов делают ее идеальной для быстрого прототипирования, мобильных приложений, видеонаблюдения и проектов, использующих преимущества зрелой, хорошо документированной экосистемы.
Заключение
Ultralytics YOLOv5 остается отличным выбором, особенно ценится за исключительную скорость, простоту использования и надежную экосистему. Он обеспечивает отличный баланс производительности и эффективности, подкрепленный обширной документацией и поддержкой сообщества, что делает его очень доступным для разработчиков и исследователей.
YOLOv6-3.0 предлагает конкурентоспособную производительность, особенно с точки зрения пикового mAP для более крупных моделей на GPU. Это служит жизнеспособной альтернативой для пользователей, которые приоритезируют максимально возможную точность в рамках YOLO, особенно для промышленных применений.
Для тех, кто ищет новейшие достижения, рассмотрите возможность изучения новых моделей Ultralytics, таких как YOLOv8, YOLOv9, YOLOv10 и YOLO11, которые предлагают дальнейшие улучшения в производительности, универсальности и эффективности. Специализированные модели, такие как RT-DETR, также предоставляют уникальные преимущества для конкретных случаев использования.
Ознакомьтесь с полным спектром опций в документации по моделям Ultralytics.
