Перейти к содержанию

YOLOv6-3.0 vs YOLOv8: подробное техническое сравнение

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое напрямую влияет на производительность, эффективность и масштабируемость любого проекта компьютерного зрения. На этой странице представлено всестороннее техническое сравнение YOLOv6-3.0, разработанной компанией Meituan, и Ultralytics YOLOv8, современной модели от Ultralytics. Мы углубимся в их архитектурные различия, показатели производительности и идеальные варианты использования, чтобы помочь вам выбрать лучшую структуру для ваших нужд. Несмотря на то, что обе модели являются мощными, YOLOv8 выделяется своей превосходной универсальностью, простотой использования и надежной, хорошо поддерживаемой экосистемой.

YOLOv6-3.0

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/

YOLOv6-3.0 — это фреймворк обнаружения объектов, разработанный с особым акцентом на промышленные приложения. Его разработка направлена на создание эффективного баланса между скоростью инференса и точностью обнаружения, что делает его жизнеспособным вариантом для сценариев реального развертывания, где производительность имеет решающее значение.

Архитектура и ключевые особенности

YOLOv6-3.0 представил несколько архитектурных инноваций, направленных на повышение эффективности. Он имеет аппаратный дизайн сети с эффективным репараметризованным backbone и упрощенным neck (Rep-PAN). Процесс обучения включает самодистилляцию для повышения производительности без увеличения стоимости инференса. Фреймворк также предлагает специализированные модели, такие как YOLOv6Lite, которые оптимизированы для мобильных развертываний и развертываний на базе CPU.

Сильные стороны

  • Высокая скорость инференса на GPU: Модели YOLOv6-3.0 демонстрируют отличную скорость инференса на GPU, особенно при оптимизации с помощью TensorRT, что делает их подходящими для приложений реального времени со специализированным оборудованием GPU.
  • Поддержка квантования: Платформа обеспечивает хорошую поддержку и учебные пособия по квантованию моделей, что полезно для развертывания моделей на оборудовании с ограниченными ресурсами.
  • Ориентация на промышленность: Модель специально разработана для промышленного использования и превосходно подходит для сценариев, где скорость имеет первостепенное значение.

Слабые стороны

  • Ограниченная универсальность: YOLOv6 - это в первую очередь детектор объектов. Ему не хватает встроенной поддержки других задач компьютерного зрения, таких как сегментация экземпляров, оценка позы или классификация изображений, которые являются стандартными в YOLOv8.
  • Более высокое использование ресурсов: Для сопоставимых уровней точности модели YOLOv6 часто имеют больше параметров и более высокие FLOPs, чем их аналоги YOLOv8, что может привести к увеличению вычислительных требований.
  • Экосистема и обслуживание: Будучи проектом с открытым исходным кодом, экосистема вокруг YOLOv6 не так всеобъемлюща и активно поддерживается, как платформа Ultralytics. Это может привести к замедлению обновлений, меньшему количеству интеграций и уменьшению поддержки сообщества.

Узнайте больше о YOLOv6

Ultralytics YOLOv8

Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
Организация: Ultralytics
Дата: 2023-01-10
Arxiv: None
GitHub: https://github.com/ultralytics/ultralytics
Документация: https://docs.ultralytics.com/models/yolov8/

Ultralytics YOLOv8 — это современная, передовая модель, основанная на успехе предыдущих версий YOLO. Она разработана, чтобы быть быстрой, точной и простой в использовании, предоставляя комплексную платформу для широкого спектра задач компьютерного зрения. Ее архитектура и ориентированная на разработчиков экосистема делают ее рекомендуемым выбором для большинства приложений.

Архитектура и ключевые особенности

YOLOv8 представляет значительные архитектурные улучшения, включая новый backbone, новую detection head без anchor boxes и новую функцию потерь. В результате получается модель, которая не только более точна, но и более эффективна с точки зрения параметров и вычислительной нагрузки. Как детектор без anchor boxes, YOLOv8 упрощает выходной слой и улучшает обобщение.

Сильные стороны

  • Превосходный баланс производительности: YOLOv8 достигает исключительного компромисса между скоростью и точностью. Как показано в таблице ниже, он часто обеспечивает более высокие показатели mAP с меньшим количеством параметров и FLOPs по сравнению с YOLOv6, что делает его очень эффективным.
  • Беспрецедентная универсальность: YOLOv8 — это многозадачный фреймворк, поддерживающий обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и отслеживание объектов из коробки. Эта универсальность позволяет разработчикам использовать единый, согласованный фреймворк для различных приложений.
  • Простота использования: Экосистема Ultralytics разработана для оптимизации работы пользователей. Благодаря простому Python API и CLI, обширной документации и легкодоступным предварительно обученным весам, начать работу с YOLOv8 невероятно просто.
  • Хорошо поддерживаемая экосистема: YOLOv8 поддерживается активной разработкой со стороны Ultralytics, что обеспечивает частые обновления, сильную поддержку сообщества через GitHub и Discord, и бесшовную интеграцию с такими инструментами, как Ultralytics HUB для обучения и развертывания без кода.
  • Эффективность обучения: Модель разработана для эффективных процессов обучения. Часто требует меньше памяти, чем другие архитектуры, особенно модели на основе трансформеров, и выигрывает от оптимизированных стратегий увеличения данных.

Слабые стороны

  • Обнаружение мелких объектов: Как и большинство одноэтапных детекторов, YOLOv8 иногда может сталкиваться с проблемами при обнаружении очень маленьких или плотно упакованных объектов по сравнению со специализированными двухэтапными детекторами.

Узнайте больше о YOLOv8

Сравнение производительности

В следующей таблице сравниваются показатели производительности различных моделей YOLOv8 и YOLOv6-3.0 на наборе данных COCO val2017. Лучшее значение в каждом столбце выделено жирным шрифтом.

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
YOLOv8n 640 37.3 80.4 1.47 3.2 8.7
YOLOv8s 640 44.9 128.4 2.66 11.2 28.6
YOLOv8m 640 50.2 234.7 5.86 25.9 78.9
YOLOv8l 640 52.9 375.2 9.06 43.7 165.2
YOLOv8x 640 53.9 479.1 14.37 68.2 257.8

На основании данных о производительности можно сделать несколько ключевых выводов:

  • Точность и эффективность: Модели YOLOv8 стабильно достигают сопоставимых или немного лучших показателей mAP со значительно меньшим количеством параметров и FLOPs. Например, YOLOv8m достигает более высокого mAP (50,2 против 50,0), чем YOLOv6-3.0m, при этом используя примерно на 26% меньше параметров и примерно на 8% меньше FLOPs.
  • Скорость CPU vs. GPU: YOLOv6-3.0 показывает очень конкурентоспособные скорости инференса на NVIDIA T4 GPU с TensorRT. Однако YOLOv8 демонстрирует отличную производительность CPU с ONNX, что является критическим преимуществом для развертывания на более широком спектре периферийных устройств и облачных экземпляров без выделенных GPU.
  • Общая ценность: YOLOv8 предлагает более убедительный пакет. Его архитектурная эффективность приводит к снижению требований к ресурсам для заданного уровня точности, что является большим преимуществом для практических применений.

Заключение и рекомендации

Несмотря на то, что YOLOv6-3.0 является эффективным детектором объектов с впечатляющей скоростью GPU для промышленных приложений, Ultralytics YOLOv8 является лучшим выбором для подавляющего большинства пользователей и проектов.

Ключевые преимущества YOLOv8 — многозадачность, исключительный баланс скорости и точности, низкие требования к ресурсам и удобная экосистема — делают ее более мощным и гибким инструментом. Независимо от того, являетесь ли вы исследователем, расширяющим границы ИИ, или разработчиком, создающим надежные решения для реального мира, YOLOv8 предоставляет более комплексную, эффективную и перспективную платформу.

Изучение других моделей

Для тех, кто заинтересован в дальнейшем изучении, Ultralytics предлагает широкий спектр моделей. Вы можете сравнить YOLOv8 с ее предшественниками, такими как YOLOv5 и YOLOv7, или изучить новейшие современные модели, такие как YOLOv10 и YOLO11. Кроме того, сравнения с другими архитектурами, такими как RT-DETR, доступны в документации Ultralytics.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии