YOLOv7 против YOLOX: подробное техническое сравнение
Выбор оптимальной модели обнаружения объектов - важнейшее решение для проектов в области компьютерного зрения. Ultralytics предлагает набор передовых моделей, и понимание их специфических преимуществ является ключом к достижению максимальной производительности. На этой странице представлено техническое сравнение двух популярных моделей, YOLOv7 и YOLOX, с подробным описанием их архитектурных нюансов, эталонов производительности и идеальных сценариев развертывания.
YOLOv7: эффективное и высокоточное обнаружение
YOLOv7, представленный в июле 2022 года Чиен-Яо Вангом, Алексеем Бочковским и Хонг-Юаном Марком Лиао из Института информационных наук Академии Синика (Тайвань), предназначен для эффективного и точного обнаружения объектов. Он основан на предыдущих моделях YOLO и включает в себя архитектурные усовершенствования для повышения скорости и точности.
Архитектура и ключевые особенности
В YOLOv7 (статья: arXiv, GitHub: Official Repo) представлено несколько инноваций, включая эффективную сеть агрегирования слоев (E-ELAN), которая оптимизирует использование параметров и вычислений. В ней также используются методы масштабирования модели и плановая перепараметризация для дальнейшего повышения эффективности обучения и точности обнаружения. Эти особенности позволяют YOLOv7 достигать самых современных результатов при относительно компактном размере модели, что делает его подходящим для приложений реального времени и развертывания на устройствах с ограниченными ресурсами. Для получения более подробной информации обратитесь к официальной документации YOLOv7.
Показатели производительности и примеры использования
YOLOv7 превосходно работает в сценариях, требующих как быстрого вывода, так и высокой точности. Впечатляющие показатели mAP и скорости делают его отличным выбором для таких приложений, как анализ видео в реальном времени, системы автономного вождения и обработка изображений высокого разрешения. В "умных" городах YOLOv7 может использоваться для управления дорожным движением или для улучшения систем безопасности для немедленного обнаружения угроз.
YOLOX: безъякорное превосходство в обнаружении объектов
YOLOX, разработанный Чжэн Гэ, Сонгтао Лю, Фэн Ван, Земинг Ли и Цзянь Сунь в Megvii и выпущенный в июле 2021 года (статья: arXiv, GitHub: Official Repo), использует безъякорный подход к обнаружению объектов, упрощая конвейер обнаружения и улучшая обобщение.
Архитектура и ключевые особенности
YOLOX (документация: ReadTheDocs) отличается от традиционных моделей YOLO отсутствием предопределенных якорных блоков. Такая конструкция без якорей снижает сложность и может привести к улучшению производительности, особенно для объектов различной формы. В ней предусмотрены раздельные головки для разделения задач классификации и регрессии, а также используются передовые стратегии присвоения меток, такие как SimOTA (Simplified Optimal Transport Assignment). Эти архитектурные решения способствуют надежности и простоте реализации YOLOX.
Показатели производительности и примеры использования
YOLOX обеспечивает оптимальный баланс скорости и точности. Его безъякорная природа может быть особенно выгодна в приложениях, связанных с различными размерами и соотношением сторон объектов. YOLOX хорошо подходит для таких сфер применения, как робототехника, промышленный контроль и аналитика в розничной торговле. Например, в производстве его можно использовать для проверки качества, чтобы эффективно обнаруживать дефекты, не ограничиваясь заранее заданными формами якорей.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Пользователи, заинтересованные в других моделях YOLO , также могут рассмотреть этот вопрос:
- YOLOv8: Последняя итерация серии YOLO от Ultralytics, предлагающая самые современные характеристики и универсальность.
- YOLOv5: Известный своей простотой и эффективностью, с несколькими размерами моделей для различных потребностей.
- YOLOv6: высокопроизводительная одноэтапная система обнаружения объектов.
- YOLO11: Новая модель, ориентированная на повышение эффективности и производительности.
