Перейти к содержанию

YOLOX против YOLOv5: изучение инноваций без якорных фреймов и проверенной эффективности

В быстро развивающейся области обнаружения объектов выбор правильной архитектуры имеет решающее значение для успеха проекта. В этом сравнении рассматриваются две влиятельные модели: YOLOX, академический лидер, известный своей конструкцией без привязки, и YOLOv5, отраслевой стандарт скорости и простоты развертывания. Обе модели сформировали область компьютерного зрения, но они служат различным потребностям в зависимости от того, что является вашим приоритетом: точность исследовательского уровня или эффективность, готовая к производству.

Анализ производительности: скорость, точность и эффективность

При оценке YOLOX и YOLOv5 различие часто сводится к компромиссу между необработанной точностью и операционной эффективностью. YOLOX представила значительные архитектурные изменения, такие как разделенная голова и механизм без якорей, что позволило ей достичь самых современных показателей mAP (средняя точность) после ее выпуска. Она превосходна в сценариях, где важен каждый процент точности, особенно на сложных эталонных тестах, таких как COCO.

И наоборот, Ultralytics YOLOv5 была разработана с акцентом на производительность в "реальном мире". Она уделяет приоритетное внимание скорости inference и низкой задержке, что делает ее исключительно подходящей для мобильных приложений, встроенных систем и периферийных AI устройств. Хотя YOLOX может иметь небольшое преимущество в mAP для конкретных больших моделей, YOLOv5 стабильно превосходит ее по пропускной способности (кадров в секунду) и гибкости развертывания, используя всестороннюю экосистему Ultralytics.

В таблице ниже представлено подробное сопоставление моделей различных размеров. Обратите внимание, как YOLOv5 сохраняет конкурентоспособную точность, предлагая при этом значительно более быстрое время инференса, особенно при оптимизации с помощью TensorRT.

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
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4

YOLOX: претендент Anchor-Free

YOLOX был разработан исследователями из Megvii, чтобы устранить разрыв между серией YOLO и академическими достижениями в области detect без якорных фреймов. Устраняя ограничение предварительно заданных якорных фреймов, YOLOX упрощает процесс обучения и уменьшает необходимость в эвристической настройке.

Архитектура и инновации

YOLOX включает в себя Decoupled Head, которая разделяет задачи классификации и регрессии на разные ветви. Этот дизайн контрастирует со связанными головами более ранних версий YOLO и, как сообщается, улучшает скорость сходимости и точность. Кроме того, он использует SimOTA, продвинутую стратегию назначения меток, которая динамически назначает положительные примеры, повышая устойчивость модели в плотных сценах.

Сильные и слабые стороны

Основным преимуществом YOLOX является ее высокий потолок точности, особенно у самых крупных вариантов (YOLOX-x), и ее чистый, свободный от якорей дизайн, который привлекает исследователей. Однако эти преимущества имеют свои компромиссы. Разделенная голова добавляет вычислительной сложности, что часто приводит к более медленному выводу по сравнению с YOLOv5. Кроме того, как модель, ориентированная на исследования, она не имеет целостного, удобного инструментария, который есть в экосистеме Ultralytics, что потенциально усложняет интеграцию в коммерческие конвейеры.

Идеальные варианты использования

  • Академические исследования: Эксперименты с новыми архитектурами detect и стратегиями назначения меток.
  • Высокоточные задачи: Сценарии, в которых выигрыш в 1-2% mAP перевешивает стоимость более медленного inference, например, автономная аналитика видео.
  • Плотное обнаружение объектов: Среды с сильно загроможденными объектами, где SimOTA работает хорошо.

Узнайте больше о YOLOX

YOLOv5: Производственный стандарт

С момента выпуска в 2020 году Ultralytics YOLOv5 стал основной моделью для разработчиков во всем мире. Он обеспечивает исключительный баланс между производительностью и практичностью, поддерживаемый платформой, предназначенной для оптимизации всего жизненного цикла операций машинного обучения (MLOps).

Архитектура и экосистема

YOLOv5 использует основу CSPNet и сеть агрегирования путей (PANet) neck, оптимизированную для эффективного извлечения признаков. Хотя он первоначально популяризировал подход на основе якорей в PyTorch, его самым большим преимуществом является окружающая экосистема. Пользователи получают выгоду от автоматического экспорта в такие форматы, как ONNX, CoreML и TFLite, а также от простой интеграции с Ultralytics HUB для обучения и управления моделями.

Вы знали?

YOLOv5 не ограничивается ограничивающими рамками. Он поддерживает несколько задач, включая segmentation экземпляров и классификацию изображений, что делает его универсальным инструментом для сложных конвейеров обработки изображений.

Сильные и слабые стороны

Простота использования — отличительная черта YOLOv5. Благодаря простому Python API разработчики могут загружать предварительно обученные веса и запускать вывод всего за несколько строк кода. Модель высоко оптимизирована для скорости, стабильно обеспечивая более низкую задержку как на CPU, так и на GPU по сравнению с YOLOX. Она также может похвастаться более низкими требованиями к памяти во время обучения, что делает ее доступной на стандартном оборудовании. Хотя ее конструкция на основе anchor требует эволюции anchor для пользовательских наборов данных (обрабатывается автоматически YOLOv5), ее надежность и хорошо поддерживаемая экосистема делают ее превосходной для производства.

Идеальные варианты использования

  • Приложения реального времени: Видеонаблюдение, автономное вождение и робототехника, где критически важна низкая задержка.
  • Развертывание на периферии: Работа на Raspberry Pi, NVIDIA Jetson или мобильных устройствах благодаря своей эффективной архитектуре.
  • Коммерческие продукты: Быстрое прототипирование и развертывание, где требуются долгосрочная поддержка и простота интеграции.
  • Машинное зрение для нескольких задач: Проекты, требующие detection, segment и классификации в рамках единого фреймворка.

Узнайте больше о YOLOv5

Пример кода: Запуск YOLOv5 с Ultralytics

Python-пакет Ultralytics делает использование моделей YOLOv5 невероятно простым. Ниже приведен пример запуска inference с использованием предварительно обученной модели.

from ultralytics import YOLO

# Load a pre-trained YOLOv5 model (Nano version for speed)
model = YOLO("yolov5nu.pt")

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

# Display the results
results[0].show()

Вывод: делаем правильный выбор

Обе модели представляют собой значительные достижения в области компьютерного зрения, но они ориентированы на разные аудитории. YOLOX - отличный выбор для исследователей, расширяющих границы anchor-free detect, которым удобно ориентироваться в более фрагментированном наборе инструментов.

Однако, для подавляющего большинства разработчиков, инженеров и предприятий, Ultralytics YOLOv5 остается превосходным вариантом. Его выигрышная комбинация непревзойденной скорости, универсальности и надежной, активной экосистемы гарантирует, что вы сможете перейти от концепции к развертыванию с минимальными трудностями. Кроме того, принятие фреймворка Ultralytics обеспечивает четкий путь обновления до моделей следующего поколения, таких как YOLO11, которая сочетает в себе лучшее из anchor-free дизайна с фирменной эффективностью Ultralytics.

Сравнения с другими моделями

Узнайте, как эти модели соотносятся с другими архитектурами, чтобы найти лучший вариант для ваших конкретных потребностей:


Комментарии