Сравнение моделей: YOLOv7 против YOLOv8 для обнаружения объектов
Выбор правильной модели обнаружения объектов имеет решающее значение для достижения оптимальной производительности в задачах компьютерного зрения. На этой странице представлено техническое сравнение YOLOv7 и Ultralytics YOLOv8, двух популярных моделей в данной области. Мы проанализируем их архитектурные нюансы, эталоны производительности и идеальные приложения, чтобы помочь вам в выборе модели.
YOLOv7: высокая производительность и эффективность
YOLOv7, представленная 2022-07-06 Чиен-Яо Вангом, Алексеем Бочковским и Хонг-Юаном Марком Ляо из Института информационных наук Academia Sinica, Тайвань, предназначена для высокоскоростного и точного обнаружения объектов. В своей статье, опубликованной в arXiv, YOLOv7 фокусируется на "обучаемом мешке бесплатных данных", повышая эффективность обучения и точность обнаружения без увеличения стоимости вывода.
Сильные стороны:
- Высокая точность и скорость: YOLOv7 достигает самых современных показателей обнаружения объектов в реальном времени, что подтверждается бенчмарками на наборе данных COCO.
- Эффективная архитектура: Использует такие методы, как повторная параметризация модели и динамическое присвоение меток, для повышения эффективности обучения и вывода.
- Гибкость: Предлагает различные конфигурации моделей (YOLOv7, YOLOv7-X, YOLOv7-W6, YOLOv7-E6, YOLOv7-D6, YOLOv7-E6E) для удовлетворения различных вычислительных ресурсов и потребностей в точности.
Слабые стороны:
- Сложность: Архитектура и процесс обучения могут быть более сложными по сравнению с более простыми моделями, что потенциально требует большего опыта для точной настройки и оптимизации.
- Ресурсоемкость: Большие модели YOLOv7 требуют значительных вычислительных ресурсов для обучения и развертывания, что ограничивает их использование в средах с ограниченными ресурсами.
Идеальные варианты использования:
YOLOv7 хорошо подходит для приложений, требующих высококлассного обнаружения объектов в реальном времени, таких как:
- Современные системы видеонаблюдения, требующие высокой точности и скорости.
- Автономное вождение и робототехника, где точное и быстрое распознавание объектов имеет решающее значение.
- Промышленный контроль для обнаружения дефектов при высокой пропускной способности.
YOLOv8: универсальность и удобство использования
Ultralytics YOLOv8Выпущенный 2023-01-10 Гленом Джошером, Аюшем Чаурасией и Цзином Цю из Ultralytics, YOLOv8 представляет собой передовую часть серии YOLO . Хотя YOLOv8 не сопровождается специальной статьей в arXiv, он подчеркивает простоту использования, гибкость и высокую производительность в ряде задач технического зрения, включая обнаружение объектов, сегментацию и оценку позы.
Сильные стороны:
- Сбалансированная производительность: YOLOv8 предлагает сильный баланс между точностью и скоростью, что делает его универсальным для различных применений.
- Удобная для пользователя экосистема: Ultralytics предоставляет исчерпывающую документацию, предварительно обученные модели и бесшовную интеграцию с Ultralytics HUB, упрощая рабочие процессы от обучения до развертывания.
- Многозадачные возможности: Поддерживает обнаружение объектов, сегментацию объектов, оценку положения, обнаружение ориентированных объектов и классификацию, обеспечивая единое решение для различных задач компьютерного зрения.
- Активная разработка и поддержка сообщества: Выгоды от постоянных обновлений и большого, активного сообщества разработчиков с открытым исходным кодом вокруг проектов Ultralytics .
Слабые стороны:
- Немного меньшая пиковая производительность: В определенных бенчмарках, особенно по скорости обнаружения объектов, YOLOv7 может немного превосходить YOLOv8 в некоторых конфигурациях.
- Размер модели: Несмотря на эффективность, размеры моделей могут быть значительными для крайне ограниченных в ресурсах краевых устройств по сравнению с узкоспециализированными моделями, такими как YOLOv5 Nano.
Идеальные варианты использования:
YOLOv8 исключительно универсален и подходит для широкого спектра применений, включая:
- Приложения реального времени, требующие баланса скорости и точности, такие как системы охранной сигнализации и робототехника.
- Универсальные решения на основе ИИ для технического зрения в таких отраслях, как сельское хозяйство, производство и здравоохранение.
- Быстрое создание прототипов и развертывание благодаря простоте использования и широкому набору инструментов в экосистеме Ultralytics .
| Модель | размер (пикселей) |
mAPval 50-95 |
Скорость CPU ONNX (мс) |
Скорость T4TensorRT10 (мс) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Для пользователей, заинтересованных в изучении других моделей, Ultralytics также предлагает ряд моделейYOLO , включая эффективные YOLOv5, а также универсальные YOLOv6 и YOLOv9. Кроме того, для задач, требующих сегментации экземпляров, рассмотрите YOLOv8.
В заключение можно сказать, что и YOLOv7, и YOLOv8 - это мощные модели обнаружения объектов. YOLOv7 лучше работает в сценариях, требующих максимальной производительности обнаружения в реальном времени, в то время как YOLOv8 обеспечивает более универсальный и удобный опыт использования в различных задачах видения и средах развертывания. При выборе следует руководствоваться конкретными потребностями вашего приложения, учитывая баланс между точностью, скоростью, простотой использования и доступными ресурсами.
