Перейти к содержанию

YOLOv7 против YOLOv10: подробное техническое сравнение

Выбор правильной модели обнаружения объектов включает в себя балансировку точности, скорости и требований к развертыванию. На этой странице представлено подробное техническое сравнение между YOLOv7 и YOLOv10, двумя значительными моделями в области обнаружения объектов в реальном времени. Мы углубимся в их архитектурные различия, показатели производительности и идеальные варианты использования, чтобы помочь вам выбрать наиболее подходящий вариант для ваших проектов в области компьютерного зрения.

YOLOv7: Высокая точность и скорость

YOLOv7, представленный в июле 2022 года, быстро получил признание за впечатляющий баланс между скоростью и точностью, установив новые эталонные показатели на тот момент. Он был нацелен на оптимизацию процесса обучения с использованием "trainable bag-of-freebies" для повышения точности без увеличения затрат на вывод.

Технические детали:

Архитектура и ключевые особенности

YOLOv7 представил несколько архитектурных улучшений и уточнений обучения для достижения своей производительности:

  • Расширенные сети агрегации эффективных слоев (E-ELAN): Этот ключевой компонент в backbone повышает способность сети изучать разнообразные признаки, контролируя путь градиента, что улучшает сходимость и общую точность.
  • Масштабирование модели: Внедрены методы составного масштабирования для моделей на основе конкатенации, позволяющие эффективно регулировать глубину и ширину модели в соответствии с различными вычислительными бюджетами.
  • Обучаемый набор бесплатных улучшений: YOLOv7 использовал передовые методы во время обучения, такие как стратегии назначения меток и корректировки пакетной нормализации, для повышения производительности, не добавляя никаких накладных расходов во время вывода.
  • Вспомогательная голова Coarse-to-fine: Модель использует вспомогательные головы во время обучения для улучшения глубокого контроля и более эффективного управления процессом обучения модели.

Сильные и слабые стороны

Сильные стороны

  • Баланс высокой точности и скорости: YOLOv7 предлагает сильное сочетание высокого mAP и быстрой скорости инференса, что делает его подходящим для многих приложений реального времени.
  • Эффективное обучение: Модель включает в себя передовые методы обучения, которые улучшают производительность без значительного увеличения вычислительных требований во время инференса.
  • Хорошо зарекомендовавшая себя: Будучи зрелой моделью, она выигрывает от большей базы пользователей и большего количества ресурсов сообщества по сравнению с новейшими моделями.

Слабые стороны

  • Зависимость от NMS: YOLOv7 использует Non-Maximum Suppression (NMS) для постобработки, что увеличивает вычислительные затраты и задержку при выводе.
  • Сложность: Архитектура и стратегии обучения, хотя и эффективны, могут быть сложными для полного понимания и точной настройки под конкретные приложения.

Случаи использования

YOLOv7 хорошо подходит для требовательных приложений, где критически важен баланс скорости и точности:

Узнайте больше о YOLOv7

YOLOv10: Сквозное обнаружение в реальном времени

YOLOv10, представленная в мае 2024 года исследователями из Университета Цинхуа, представляет собой значительный прогресс в области обнаружения объектов в реальном времени. Ее основное новшество — создание сквозного решения за счет устранения необходимости в Non-Maximum Suppression (NMS), что снижает задержку и повышает эффективность развертывания.

Технические детали:

Архитектура и ключевые особенности

YOLOv10 представляет несколько архитектурных инноваций, направленных на оптимизацию компромисса между скоростью и точностью:

  • Обучение без NMS: В процессе обучения используются согласованные двойные назначения, что обеспечивает конкурентоспособную производительность без этапа постобработки NMS. Это упрощает конвейер развертывания и снижает задержку при выводе.
  • Комплексный подход к эффективности и точности: Модель оптимизирует различные компоненты, такие как классификационная голова и слои дискретизации, для снижения вычислительной избыточности и расширения возможностей. Это включает в себя такие методы, как блочная структура с ранговым управлением и частичное самовнимание (PSA).
  • Подход без Anchor: Как и другие современные модели YOLO, он использует дизайн детектора без anchor, что упрощает головку обнаружения и улучшает обобщение.

Сильные и слабые стороны

Сильные стороны

  • Высокая эффективность: Конструкция без NMS и другие архитектурные оптимизации приводят к более быстрому выводу, меньшей задержке и снижению вычислительных затрат.
  • Конкурентная точность: Он поддерживает высокую точность, значительно улучшая скорость и уменьшая размер модели.
  • Сквозное развертывание: Отсутствие NMS упрощает конвейер развертывания, облегчая интеграцию в приложения.

Слабые стороны

  • Относительно новая модель: Будучи более новой моделью, поддержка сообщества и количество реальных примеров могут быть менее обширными по сравнению с устоявшимися моделями, такими как YOLOv7 или Ultralytics YOLOv8.
  • Настройка для оптимальной производительности: Для достижения наилучших результатов может потребоваться тщательная настройка гиперпараметров, возможно, с использованием таких ресурсов, как советы по обучению моделей.

Случаи использования

Благодаря ориентации на эффективность в реальном времени, YOLOv10 идеально подходит для сред с ограниченными ресурсами:

  • Приложения Edge AI: Идеально подходит для развертывания на таких устройствах, как NVIDIA Jetson или Raspberry Pi, где критически важна низкая задержка.
  • Робототехника: Обеспечивает более быстрое восприятие для навигации и взаимодействия, что является ключевым аспектом роли ИИ в робототехнике.
  • Автономные дроны: Его легкая и быстрая архитектура подходит для быстрого обнаружения объектов в дронах и других беспилотных летательных аппаратах.

Узнайте больше о YOLOv10

Прямое сравнение производительности

При сравнении YOLOv7 и YOLOv10 наиболее существенное различие заключается в их философии проектирования. YOLOv7 стремится к балансу между высокой точностью и скоростью, что делает его мощным детектором общего назначения. В отличие от этого, YOLOv10 отдает приоритет вычислительной эффективности и низкой задержке за счет устранения NMS, что делает его превосходным выбором для приложений реального времени на периферийных устройствах.

В таблице ниже показано, что модели YOLOv10 стабильно достигают более низкой задержки и требуют меньше параметров и FLOPs, чем модели YOLOv7, при аналогичных уровнях mAP. Например, YOLOv10b достигает 52,7 mAP всего с 6,54 мс задержки, превосходя YOLOv7l, который имеет аналогичный mAP, но более высокую задержку.

Модель размер
(пиксели)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4 TensorRT10
(мс)		 параметры
(M)		 FLOPs
(B)
YOLOv7l 640 51.4 - 6.84 36.9 104.7
YOLOv7x 640 53.1 - 11.57 71.3 189.9
YOLOv10n 640 39.5 - 1.56 2.3 6.7
YOLOv10s 640 46.7 - 2.66 7.2 21.6
YOLOv10m 640 51.3 - 5.48 15.4 59.1
YOLOv10b 640 52.7 - 6.54 24.4 92.0
YOLOv10l 640 53.3 - 8.33 29.5 120.3
YOLOv10x 640 54.4 - 12.2 56.9 160.4

Заключение и рекомендации

YOLOv7 и YOLOv10 — это мощные модели, но они служат разным потребностям. YOLOv7 — это надежный и точный детектор, который остается надежным выбором для приложений, где достижение высокого mAP является приоритетом. YOLOv10, с его инновационной архитектурой без NMS, является явным победителем для приложений, требующих высочайшей эффективности и минимальной задержки, особенно при сквозном развертывании.

Для разработчиков, ищущих современный, универсальный и удобный фреймворк, модели из экосистемы Ultralytics, такие как Ultralytics YOLOv8 и новейшая YOLO11, часто представляют собой более убедительный выбор. Эти модели предлагают:

Изучите другие модели

Если вам интересны другие модели, ознакомьтесь с этими дополнительными сравнениями:



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
glenn-jocher

Комментарии