YOLOv8 против YOLOv6.0: Техническое сравнение

Выбор оптимальной модели обнаружения объектов является ключевым шагом в создании надежных приложений компьютерного зрения. В этом подробном сравнении рассматриваются архитектурные различия, показатели производительности и идеальные сценарии использования для Ultralytics YOLOv8 и YOLOv6.0. Хотя обе модели возникли примерно в одно и то же время и направлены на решение схожих задач, они существенно отличаются друг от друга философией проектирования, универсальностью и экосистемами, которые их поддерживают.

Ultralytics YOLOv8

Авторы: Гленн Джочер, Аюш Чаурасия и Цзин Цю
Организация: Ultralytics
Дата: 2023-01-10
GitHub: ultralytics
Docs: https:yolov8

Ultralytics YOLOv8 представляет собой значительный скачок вперед в развитии архитектуры YOLO . Разработанный как единый фреймворк, он поддерживает широкий спектр задач компьютерного зрения, выходящих за рамки простого обнаружения, включая сегментацию объектов, оценку позы и классификацию. Ориентированный на пользователя дизайн ставит во главу угла простоту использования, делая передовой ИИ доступным для разработчиков любого уровня подготовки.

Архитектура и ключевые особенности

В YOLOv8 реализован механизм обнаружения без якорей, который упрощает головную часть модели и уменьшает количество гиперпараметров, необходимых для обучения. Этот подход улучшает обобщение для объектов различных форм и размеров. В архитектуре используется современная основа и шея с использованием модуля C2f, который улучшает градиентный поток и интеграцию признаков по сравнению с предыдущими итерациями.

Сильные стороны

• Непревзойденная универсальность: В отличие от многих конкурентов, YOLOv8 не ограничивается обнаружением объектов. Он поддерживает сегментацию объектов, классификацию изображений, оценку позы и задачи ориентированного периметра (OBB) в рамках одной кодовой базы.
• Превосходная эффективность: Как показано в бенчмарках, YOLOv8 достигает более высокой точностиmAP) при меньшем количестве параметров и FLOP. Это приводит к снижению требований к памяти как при обучении, так и при выводе, что является критическим преимуществом по сравнению с более тяжелыми моделями на основе трансформаторов.
• Простота в использовании: модель реализована в упрощенном API наPython и интерфейсе командной строкиCLI), что позволяет пользователям обучать, проверять и развертывать модели с минимальным количеством кода.
• Надежная экосистема: При поддержке UltralyticsYOLOv8 получает постоянные обновления, обширную документацию и активное сообщество. Это обеспечивает долгосрочную жизнеспособность и поддержку корпоративных развертываний.

Слабые стороны

• Обнаружение мелких объектов: Хотя одноступенчатые детекторы, такие как YOLOv8 , обладают большими возможностями, они могут иногда испытывать трудности при обнаружении очень мелких или окклюдированных объектов по сравнению со специализированными двухступенчатыми детекторами, требующими больших вычислительных затрат.

Узнайте больше о YOLOv8

YOLOv6.0

Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, and Xiangxiang Chu
Organization: Meituan
Дата: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: YOLOv6
Docs: https:ultralytics

YOLOv6.0 - это фреймворк для обнаружения объектов, разработанный компанией Meituan и предназначенный специально для промышленных приложений, где приоритетом является скорость вычисления на специализированном оборудовании. Он ориентирован на оптимизацию компромисса между скоростью и точностью, используя передовые методы для максимального использования GPU .

Архитектура и ключевые особенности

В архитектуре YOLOv6 реализована аппаратно-ориентированная конструкция, использующая структуры Rep-Block (перепараметризация), которые позволяют сети иметь сложные ветви во время обучения, но сворачиваться в более простую и быструю структуру во время вычислений. В ней также используется стратегия саморасщепления для повышения точности без дополнительных затрат на вывод.

Сильные стороны

• Скорость вывода наGPU : модель оптимизирована для работы на GPU , особенно на оборудовании NVIDIA , что делает ее сильным кандидатом для промышленных сценариев с жесткими ограничениями по задержкам.
• Поддержка квантования: YOLOv6 уделяет особое внимание поддержке квантования моделей, предоставляя инструменты для развертывания моделей на оборудовании с ограниченной точностью вычислений.
• Мобильная оптимизация: Благодаря таким вариантам, как YOLOv6Lite, фреймворк предлагает решения, адаптированные для мобильных и CPU конечных устройств.

Слабые стороны

• Ограниченный круг задач: YOLOv6 в первую очередь ориентирован на обнаружение объектов. В ней отсутствует встроенная поддержка сегментации, оценки позы и отслеживания, характерная для экосистемы Ultralytics .
• Интенсивность использования ресурсов: Для достижения точности, сравнимой с YOLOv8, модели YOLOv6 часто требуют значительно больше параметров и FLOP, что приводит к большим вычислительным затратам во время обучения.
• Сообщество и поддержка: Несмотря на открытый исходный код, экосистема менее активна по сравнению с Ultralytics, что может привести к замедлению решения проблем и уменьшению количества ресурсов, предоставляемых сообществом.

Узнайте больше о YOLOv6

Сравнение производительности

В следующей таблице представлено прямое сравнение показателей производительности на наборе данныхCOCO . Эти данные подчеркивают эффективность Ultralytics YOLOv8, которая стабильно обеспечивает высокую среднюю точность (mAP) при сниженной сложности модели.

Анализ метрик

• Эффективность: YOLOv8 демонстрирует превосходную эффективность параметров. Например, YOLOv8s достигает конкурентного значения 44,9 mAP , используя всего 11,2 М параметров, в то время как YOLOv6.0s требует 18,5 М параметров на 65 %больше, чтобыдостичь практически идентичного значения mAP 45,0. Это означает снижение затрат на хранение и более быстрое обновление на граничных устройствах.
• Вычислительная нагрузка: Аналогично, с точки зрения операций с плавающей запятой (FLOPs), YOLOv8m выполняет 78,9B FLOPs по сравнению с 85,8B YOLOv6.0m, что делает модель Ultralytics более легкой в вычислениях, но при этом обеспечивает более высокий mAP (50,2 против 50,0).
• Скорость: В то время как YOLOv6.0 демонстрирует несколько более высокую скорость обработки выводов на графических процессорах T4 благодаря специализированной аппаратно-ориентированной конструкции, YOLOv8 предлагает отличную производительность на CPU благодаря ONNXчто очень важно для развертываний, в которых GPU недоступны.

Обучение и удобство использования

Одним из определяющих различий между этими моделями является опыт разработчиков. Ultralytics уделяет первостепенное внимание бесперебойному рабочему процессу, что проявляется в том, как модели обучаются и развертываются.

Простота использования Ultralytics

YOLOv8 можно интегрировать в проект всего несколькими строчками кода. Python SDK автоматически справляется с загрузкой данных, дополнением и настройкой обучающего конвейера.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

В отличие от этого, хотя YOLOv6 и эффективен, он часто требует более ручного управления конфигурацией и зависимостями, характерного для академических репозиториев, что может замедлить быстрое создание прототипов и интеграцию MLOps.

Идеальные варианты использования

Когда следует выбирать Ultralytics YOLOv8

• Разнообразные приложения: Если ваш проект требует не только ограничительных рамок - например, сегментирования объектов или оценки ключевых точек, - многозадачные возможности YOLOv8 будут незаменимы.
• Развертывание на границах и в облаке: Благодаря своим режимам экспорта YOLOv8 легко развертывается в TFLite, ONNX, CoreML и TensorRT, охватывая все сферы - от мобильных телефонов до облачных серверов.
• Быстрая разработка: Для команд, которым требуется быстрое обновление, обширная документация и активная поддержка сообщества сводят к минимуму время простоя и устранения неполадок.

Когда выбирать YOLOv6.0

• Специфическое промышленное оборудование: если ваша среда развертывания строго контролируется и в ней используется оборудование, которое использует преимущества архитектуры Rep-Block (например, некоторые GPU ), YOLOv6 может обеспечить незначительный прирост скорости.
• Унаследованные системы: Для существующих конвейеров, уже построенных на основе специфических форматов ввода/вывода YOLOv6, где рефакторинг не представляется возможным.

Заключение

В то время как YOLOv6.0 остается сильным соперником в специфической нише обнаружения промышленных объектов, Ultralytics YOLOv8 предлагает более комплексное, эффективное и перспективное решение для подавляющего большинства проектов в области компьютерного зрения. Его способность обеспечивать высокую точность при меньшем количестве параметров, а также развитая экосистема и поддержка множества задач компьютерного зрения делают его рекомендованным выбором как для разработчиков, так и для исследователей.

Тем, кто хочет познакомиться с последними достижениями в области технологий компьютерного зрения, стоит обратить внимание на YOLO11который еще больше повышает эффективность и производительность, достигнутые в YOLOv8. Кроме того, сравнение с моделями на основе трансформаторов, такими как RT-DETR может дать дополнительное представление о современных архитектурах обнаружения.

Комментарии