YOLOv8 против YOLOv7: всестороннее техническое сравнение

Эволюция моделей обнаружения объектов происходила стремительно, и семейство YOLO (You Only Look Once) лидирует по производительности в режиме реального времени. Выбирая между YOLOv8 и YOLOv7 предполагает понимание не только их сырых показателей, но и архитектурной философии, опыта разработчиков и поддержки экосистемы, которая их окружает. В то время как YOLOv7 установил впечатляющие стандарты после своего выхода, Ultralytics YOLOv8 представил смену парадигмы в удобстве и универсальности.

В этом руководстве представлен подробный технический анализ, который поможет разработчикам и исследователям выбрать подходящий инструмент для своих проектов в области компьютерного зрения.

Анализ производительности

При сравнении производительности важно обратить внимание на компромисс между скоростью вывода и точностью обнаружения (mAP). YOLOv8 в целом предлагает лучший баланс, обеспечивая более высокую точность при схожих размерах модели и более высокую скорость вывода на современном оборудовании.

В следующей таблице показаны различия в производительности на наборе данныхCOCO .

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
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

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

Основные выводы

Эффективность: Сайт YOLOv8n (nano) достигает поразительной скорости (1,47 мс на GPU), что делает его идеальным для краевых приложений искусственного интеллекта, где задержка имеет решающее значение.
Точность:YOLOv8x превосходит YOLOv7x по точности (53,9% против 53,1% mAP), сохраняя при этом конкурентоспособное количество параметров.
Оптимизация: Модели YOLOv8 демонстрируют лучшую эффективность использования параметров, обеспечивая более высокую производительность на FLOP, что приводит к снижению энергопотребления во время вычислений.

Ultralytics YOLOv8: современный стандарт

Выпущено компанией Ultralytics в начале 2023 года, YOLOv8 был разработан для того, чтобы быть самым современным (SOTA) не только по производительности, но и по гибкости и простоте использования. Он объединяет множество задач компьютерного зрения в единый, оптимизированный фреймворк.

Авторы: Гленн Джокер, Аюш Чаурасия и Цзин Цю
Организация:Ultralytics
Дата: 10.01.2023
GitHub:ultralytics
Документация:Документация поYOLOv8

Архитектура и инновации

В YOLOv8 появился механизм безъякорного обнаружения, который упрощает процесс обучения, устраняя необходимость в ручном расчете якорных ящиков. Это уменьшает количество предсказаний ящиков и ускоряет процесс подавления не-максимума (NMS).

В архитектуре используется модуль C2f (Cross-Stage Partial Bottleneck с двумя свертками), который более эффективно, чем предыдущие итерации, объединяет высокоуровневые характеристики с контекстной информацией. Это приводит к более насыщенному градиентному потоку и улучшению сходимости обучения. Кроме того, в YOLOv8 используется разделенная голова, которая обрабатывает задачи объектности, классификации и регрессии независимо друг от друга для повышения точности.

Сильные стороны

Интеграция с экосистемой: Полная интеграция с экосистемой Ultralytics , позволяющая легко обучать, проверять и развертывать модели с помощью простого Python API или CLI.
Универсальность: Встроенная поддержка обнаружения объектов, сегментации объектов, оценки позы, классификации изображений и ориентированных граничных боксов (OBB).
Опыт разработчика: Установка проста как pip install ultralyticsс обширной документацией и активной поддержкой сообщества на GitHub и Discord.

Узнайте больше о YOLOv8

YOLOv7: эталон эффективности

YOLOv7 произвел значительный фурор после своего выхода, представив архитектурные оптимизации, сфокусированные на "bag-of-freebies"-методах для повышения точности без увеличения стоимости выводов.

Авторы: Чен-Яо Ванг, Алексей Бочковский и Хонг-Юань Марк Ляо
Организация:Институт информационных наук, Academia Sinica
Дата: 06.07.2022
Arxiv:YOLOv7: Обучаемый мешок бесплатных вещей устанавливает новый уровень развития
GitHub:WongKinYiu/yolov7

Архитектура и подход

В YOLOv7 используется расширенная эффективная сеть агрегирования слоев (E-ELAN), которая управляет кратчайшим и длинным градиентными путями, позволяя сети эффективно изучать больше признаков. В ней уделяется большое внимание масштабированию модели (одновременному изменению глубины и ширины) и применяются методы повторной параметризации для слияния слоев во время вывода, что ускоряет работу модели без потери точности обучения.

Сильные стороны и ограничения

YOLOv7 - это мощная модель, обеспечивающая превосходное соотношение скорости и точности, особенно на GPU . Благодаря подходу "bag-of-freebies" модель остается легкой во время развертывания. Однако, по сравнению с YOLOv8, она не имеет унифицированной поддержки многозадачности из коробки и требует более сложных процедур настройки, включающих клонирование репозиториев и управление зависимостями вручную. В первую очередь он специализируется на обнаружении объектов, а для других задач часто требуются отдельные ветки или реализации.

Узнайте больше о YOLOv7

Углубленное техническое сравнение

Удобство использования и экосистема

Одно из самых заметных отличий заключается в простоте использования. Ultralytics YOLOv8 упакован как стандартная библиотека Python . Это означает, что разработчики могут интегрировать его в существующие конвейеры с минимальным количеством кода. В отличие от этого, YOLOv7 обычно работает как отдельная кодовая база, которую необходимо клонировать и модифицировать.

Опыт разработчиков

YOLOv8 позволяет обучить модель всего за три строки кода на Python . Такой оптимизированный пользовательский опыт значительно сокращает время вывода решений ИИ на рынок.

from ultralytics import YOLO

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

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

Универсальность задач

Современные проекты в области компьютерного зрения часто требуют не только ограничительных рамок.

YOLOv8: Настоящая многозадачная модель. Вы можете переключаться с обнаружения на сегментация или оценка позы просто изменив файл веса модели (например, yolov8n-seg.pt).
YOLOv7: В первую очередь ориентирован на обнаружение. Хотя расширения существуют, они не так тесно интегрированы или поддерживаются в рамках единой унифицированной структуры.

Эффективность тренировок и память

YOLOv8 оптимизирует требования к памяти во время обучения. В нем реализованы интеллектуальные стратегии дополнения данных, которые отключаются к концу обучения для повышения точности. Кроме того, фреймворк Ultralytics поддерживает различные форматы наборов данных и позволяет автоматически загружать стандартные наборы данных, что значительно повышает эффективность обучения.

Модели на основе трансформаторов часто требуют огромных объемов памяти CUDA и медленно обучаются. Для сравнения, и YOLOv7 , и YOLOv8 основаны на CNN и эффективны, но современные архитектурные решения YOLOv8(например, блок C2f) часто приводят к более быстрой сходимости и лучшей эффективности использования памяти на оборудовании потребительского класса.

Реальные примеры использования

Розничная торговля и управление запасами

Для аналитики розничной торговли скорость имеет первостепенное значение. YOLOv8n может работать на пограничных устройствах, таких как камеры или модули NVIDIA Jetson, чтобы track товарные запасы в режиме реального времени. Высокая скорость вывода данных обеспечивает точный подсчет движущихся товаров без задержек.

Автономные системы и робототехника

Робототехника требует точного пространственного восприятия. Возможности сегментации YOLOv8 позволяют роботам различать точную форму препятствий, а не просто ограничивающие рамки. Такая универсальность повышает безопасность навигации. Несмотря на возможности YOLOv7 , реализация сегментации требует больших усилий и разрозненных кодовых баз.

Сельское хозяйство

В точном сельском хозяйстве модели detect болезни культур или следят за их ростом. Благодаря хорошо развитой экосистеме Ultralytics исследователи имеют доступ к предварительно обученным весам и учебным пособиям сообщества специально для этих нишевых наборов данных, что снижает барьер для входа.

Заключение

Хотя YOLOv7 остается уважаемой и мощной архитектурой в истории компьютерного зрения, Ultralytics YOLOv8 представляет собой лучший выбор для современной разработки. Сочетание современной производительности, непревзойденной универсальности и экосистемы, ориентированной на разработчиков, делает ее лучшим решением как для академических исследований, так и для корпоративного развертывания.

Для тех, кто стремится к абсолютной эффективности и архитектурной изысканности, Ultralytics также выпустила YOLO11которая еще больше расширяет границы. Тем не менее, при прямом сравнении с поколением v7 YOLOv8 является победителем по прочности, надежности и простоте использования.

Дополнительная литература

Изучите другие сравнения моделей, чтобы углубить свое понимание ландшафта YOLO :

YOLO11 против YOLOv8 - сравнение последних итераций.
YOLOv5 против YOLOv8 - Узнайте, как изменилась архитектура по сравнению с v5.
YOLOv10 против YOLOv8 - анализ различных архитектурных подходов.
ГлоссарийUltralytics - понимание ключевых терминов, таких как mAP и IoU.