Перейти к содержанию

YOLOX против YOLO11: техническое погружение в эволюцию обнаружения объектов

Выбор оптимальной архитектуры обнаружения объектов имеет решающее значение для разработчиков, стремящихся найти баланс между точностью, задержкой и вычислительной эффективностью. В этом комплексном анализе сравниваются YOLOX, новаторская модель без якорей от Megvii, и Ultralytics YOLO11последней современной итерации от Ultralytics. В то время как YOLOX внедрил значительные инновации в 2021 году, YOLO11 представляет собой передовой край компьютерного зрения в 2024 году, предлагая единую структуру для решения различных задач - от обнаружения до сегментации объектов.

YOLOX: соединение исследований и промышленности

Выпущенный в 2021 году, YOLOX ознаменовал собой значительный сдвиг в семействе YOLO , приняв безъякорный механизм и отсоединив предсказательную головку. Он был разработан для преодоления разрыва между академическими исследованиями и промышленным применением.

Архитектура и инновации

YOLOX отличается от предыдущих итераций, таких как YOLOv5 удалив якорные блоки, что позволило снизить сложность конструкции и уменьшить количество эвристических гиперпараметров. Архитектура YOLOX включает в себя разделенную голову, разделяющую задачи классификации и регрессии на разные ветви, что повысило скорость сходимости и точность. Кроме того, в ней появилась SimOTA, усовершенствованная стратегия присвоения меток, которая динамически присваивает положительные образцы, что еще больше повышает производительность.

Сильные и слабые стороны

Преимущества:

  • Безъякорная конструкция: Устраняет необходимость в ручной кластеризации якорных ящиков, упрощая процесс обучения.
  • Decoupled Head: повышает точность локализации за счет независимой оптимизации классификации и регрессии.
  • Базовая линия исследований: Служит надежной отправной точкой для изучения безъякорных детекторов.

Слабые стороны:

  • Ограниченная поддержка задач: Основное внимание уделяется обнаружению объектов, отсутствует встроенная поддержка сегментации, оценки позы или ориентированных ограничительных блоков (OBB).
  • Фрагментированная экосистема: Отсутствие единого, активно поддерживаемого набора инструментов для развертывания, отслеживания и MLOps по сравнению с современными фреймворками.
  • Низкая эффективность: Как правило, для достижения точности, сравнимой с новыми моделями, такими как YOLO11, требуется больше параметров и FLOP.

Узнайте больше о YOLOX

Ultralytics YOLO11: новый стандарт искусственного интеллекта для зрения

Ultralytics YOLO11 совершенствует традицию обнаружения объектов в реальном времени, уделяя особое внимание эффективности, гибкости и простоте использования. Это решение предназначено как для быстрого создания прототипов, так и для крупномасштабных производственных развертываний.

Архитектура и преимущества экосистемы

В YOLO11 используется высокооптимизированная архитектура без якорей, которая улучшает извлечение признаков, минимизируя при этом вычислительные затраты. В отличие от YOLOX, YOLO11 - это не просто модель, а часть комплексной экосистемы. Она поддерживает широкий спектр задач компьютерного зрения -классификацию, сегментацию, оценку положения и отслеживание - в рамках единого и удобного API.

Интегрированные МОТ

YOLO11 легко интегрируется с Ultralytics HUB и сторонними инструментами, такими как Weights & Biases и Cometчто позволяет визуализировать эксперименты и управлять наборами данных без особых усилий.

Почему стоит выбрать YOLO11?

  • Универсальность: Единая структура для обнаружения объектов, сегментации объектов, оценки позы и классификации изображений.
  • Простота использования: оптимизированный Python API и CLI позволяют разработчикам обучать и развертывать модели с помощью всего нескольких строк кода.
  • Баланс производительности: Достижение превосходства mAP при более высокой скорости вычислений как на CPU, так и на GPU по сравнению с предшественниками и конкурентами.
  • Эффективность использования памяти: Разработана с меньшими требованиями к памяти при обучении и выводе, что делает ее более доступной по сравнению с моделями на основе трансформаторов, такими как RT-DETR.
  • Готовность к развертыванию: Встроенная поддержка экспорта в такие форматы, как ONNX, TensorRT, CoreML и TFLite обеспечивает совместимость с различным оборудованием, от NVIDIA Jetson до мобильных устройств.

Узнайте больше о YOLO11

Анализ производительности

В таблице ниже показаны различия в производительности между YOLOX и YOLO11. YOLO11 постоянно демонстрирует более высокую точностьmAP) при меньшем количестве параметров и FLOP, что приводит к более высокой скорости вычислений.

Модельразмер
(пиксели)		mAPval
50-95		Скорость
CPU ONNX
(мс)		Скорость
T4 TensorRT10
(мс)		параметры
(M)		FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

Основные выводы

  1. Доминирование эффективности: Модели YOLO11 обеспечивают значительно лучший компромисс между скоростью и точностью. Например, YOLO11m достигает 51,5 mAP всего с 20,1 млн параметров, превосходя массивную модель YOLOX-x (51,1 mAP, 99,1 млн параметров) при примерно 5-кратном уменьшении размера.
  2. Скорость вывода: На GPU T4 с использованием TensorRTYOLO11n достигает 1,5 мс, что делает его исключительным выбором для приложений, работающих в режиме реального времени, где задержка является критически важной.
  3. ПроизводительностьCPU : Ultralytics предоставляет прозрачные бенчмарки CPU , демонстрируя жизнеспособность YOLO11 для развертывания на устройствах без специальных ускорителей.
  4. Эффективность обучения: Архитектура YOLO11 позволяет быстрее сходиться в процессе обучения, экономя ценное вычислительное время и ресурсы.

Приложения в реальном мире

В чем YOLO11 преуспевает

Где используется YOLOX

  • Устаревшие системы: Проекты, созданные примерно в 2021-2022 годах, которые еще не перешли на более новые архитектуры.
  • Академические исследования: Исследования, специально изучающие эффекты отсоединенных головок или безъякорных механизмов в отдельности.

Пользовательский опыт и сравнение кода

Ultralytics уделяет первостепенное внимание упрощению работы пользователей. В то время как YOLOX часто требует сложных конфигурационных файлов и ручной настройки, YOLO11 может быть использован с минимальным кодом.

Использование Ultralytics YOLO11

Разработчики могут загружать предварительно обученную модель, проводить расчеты и даже тренироваться на пользовательских данных с помощью нескольких строк языка Python:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display results
results[0].show()

Легкость обучения

Обучение модели YOLO11 на пользовательском наборе данных не менее просто. Библиотека автоматически справляется с расширением данных, настройкой гиперпараметров и ведением журнала.

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

Заключение

Хотя YOLOX сыграл ключевую роль в популяризации безъякорного обнаружения объектов, Ultralytics YOLO11 представляет собой лучший выбор для современной разработки ИИ.

YOLO11 превосходит YOLOX по точности, скорости и эффективности, предлагая при этом надежную и хорошо поддерживаемую экосистему. Его универсальность в решении различных задач технического зрения - отсутствие необходимости использовать различные библиотеки для обнаружения, сегментации и оценки позы - значительно снижает сложность разработки. Разработчикам, которые ищут перспективное и высокопроизводительное решение, опирающееся на активную поддержку сообщества и исчерпывающую документацию, рекомендуется использовать YOLO11 .

Узнайте больше моделей

Изучите сравнение YOLO11 с другими ведущими архитектурами, чтобы найти оптимальный вариант для ваших нужд:


Комментарии