Перейти к содержанию

YOLOX против YOLOv7: подробное техническое сравнение

Навигация по ландшафту моделей обнаружения объектов требует глубокого понимания архитектурных нюансов и компромиссов в производительности. В данном руководстве приводится всестороннее техническое сравнение YOLOX и YOLOv7двух влиятельных архитектур, которые значительно повлияли на развитие компьютерного зрения. Мы рассмотрим их структурные инновации, эталонные метрики и практические приложения, чтобы помочь вам определить, что лучше всего подходит для ваших проектов. Хотя обе модели представляли собой передовые достижения на момент их выпуска, современные разработчики часто обращаются к экосистемеUltralytics за унифицированными рабочими процессами и передовой производительностью.

Прямое сравнение производительности

При выборе модели часто решающим фактором является баланс между средней точностьюmAP) и задержкой вывода. YOLOX предлагает высокомасштабируемое семейство моделей от Nano до X, подчеркивая простоту своей конструкции без якорей. И наоборот, YOLOv7 фокусируется на максимизации компромисса между скоростью и точностью для приложений реального времени с помощью передовых архитектурных оптимизаций.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Полученные данные свидетельствуют об очевидных достоинствах. YOLOXnano невероятно легкий, что делает его идеальным для сред с ограниченными ресурсами. Однако в высокопроизводительных сценариях YOLOv7x демонстрирует превосходную точность (53,1 % mAP) и эффективность, обеспечивая более высокую точность, чем YOLOXx, при значительно меньшем количестве операций с плавающей запятой (FLOP) и более быстром времени вычислений на графических процессорах T4.

YOLOX: простота через Anchor-Free Design

YOLOX ознаменовал смену парадигмы в серии YOLO , отказавшись от механизма, основанного на якорях, в пользу безъякорного подхода. Такой выбор дизайна упрощает процесс обучения и устраняет необходимость в ручной настройке якорного блока, которая часто требует эвристической оптимизации в конкретной области.

Архитектура и Ключевые Инновации

В YOLOX реализована раздельная структура головы, разделяющая задачи классификации и регрессии. Такое разделение позволяет модели изучать отдельные характеристики для распознавания того, что представляет собой объект, и того, где он находится, что приводит к ускорению сходимости и повышению точности. Кроме того, в YOLOX используется SimOTA, передовая стратегия присвоения меток, которая динамически сопоставляет положительные образцы с объектами, находящимися на поверхности, что повышает устойчивость модели в переполненных сценах.

Безъякорные и основанные на якорях

Традиционные модели YOLO (до появления YOLOX) использовали предопределенные "якорные коробки" для предсказания размеров объектов. Безъякорный метод YOLOX предсказывает ограничительные рамки непосредственно по расположению пикселей, уменьшая количество гиперпараметров и делая модель более обобщенной для различных наборов данных.

Примеры использования и ограничения

YOLOX отлично подходит для сценариев, в которых необходимо упростить развертывание модели на различных аппаратных платформах без длительной настройки гиперпараметров. Его облегченные варианты (Nano/Tiny) популярны для мобильных приложений. Однако его пиковая производительность в больших масштабах была превзойдена более новыми архитектурами, такими как YOLOv7 и YOLO11в которых используются более сложные сети агрегации признаков.

Узнайте больше о YOLOX

YOLOv7: "Сумка бесплатных вещей"

Выпущенный через год после YOLOX, YOLOv7 представил набор архитектурных реформ, направленных на оптимизацию процесса обучения для повышения результатов вывода исключительно за счет "обучаемого мешка бесплатных вещей".

Архитектура и Ключевые Инновации

Ядром YOLOv7 является расширенная эффективная сеть агрегирования слоев (E-ELAN). Эта архитектура позволяет сети изучать более разнообразные характеристики, контролируя кратчайшие и длинные градиентные пути, обеспечивая эффективную сходимость для очень глубоких сетей. Кроме того, в YOLOv7 используются методы масштабирования моделей, специально разработанные для моделей на основе конкатенации, благодаря чему увеличение глубины и ширины модели линейно приводит к росту производительности без уменьшения отдачи.

YOLOv7 также эффективно использует вспомогательные головки во время обучения для обеспечения грубого и тонкого контроля. Эта техника позволяет повысить точность основной головки обнаружения без дополнительных вычислительных затрат во время развертывания.

Примеры использования и ограничения

Благодаря исключительному соотношению скорости и точности YOLOv7 - лучший соперник для видеоаналитики в реальном времени и задач пограничных вычислений, где важна каждая миллисекунда. Он раздвинул границы возможного на стандартном GPU (например, V100 и T4). Однако сложность его архитектуры может затруднить модификацию и тонкую настройку для решения пользовательских задач, выходящих за рамки стандартного обнаружения объектов.

Узнайте больше о YOLOv7

Преимущество Ultralytics : Зачем модернизировать?

Хотя YOLOX и YOLOv7 остаются эффективными инструментами, область компьютерного зрения стремительно развивается. Современные разработчики и исследователи все чаще отдают предпочтение экосистемеUltralytics с такими моделями, как YOLO11 и YOLOv8 благодаря их всесторонней поддержке, унифицированному дизайну и простоте использования.

Оптимизированный опыт разработчиков

Одно из самых больших препятствий в старых моделях - фрагментация кодовых баз. Ultralytics решает эту проблему, предоставляя унифицированный Python API и CLI , который последовательно работает во всех версиях модели. Вы можете переключаться между обнаружением, сегментированием или классификацией с помощью одной строки кода.

from ultralytics import YOLO

# Load a model (YOLO11 or YOLOv8)
model = YOLO("yolo11n.pt")  # or "yolov8n.pt"

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

# Export to ONNX for deployment
model.export(format="onnx")

Ключевые преимущества моделей Ultralytics

  • Универсальность: В отличие от YOLOX и YOLOv7, которые ориентированы в основном на обнаружение, модели Ultralytics поддерживают сегментацию объектов, оценку позы, классификацию и ориентированное обнаружение объектов (OBB) "из коробки".
  • Хорошо поддерживаемая экосистема: Частые обновления обеспечивают совместимость с последними версиями PyTorch, CUDA и Python. Активное сообщество и подробная документация сокращают время, затрачиваемое на отладку проблем с окружением.
  • Баланс производительности: Такие модели, как YOLO11 , представляют собой новейшее достижение, обеспечивая более высокую точность и меньшую задержку, чем YOLOX и YOLOv7. Они оптимизированы для проведения выводов в режиме реального времени на различном оборудовании, от пограничных устройств до облачных серверов.
  • Эффективность обучения: Модели Ultralytics разработаны так, чтобы сходиться быстрее, экономя ценные часы работы GPU . Предварительно обученные веса легко доступны для различных задач, что делает трансферное обучение простым.
  • Требования к памяти: Эти модели разработаны с учетом эффективности, обычно требуют меньше VRAM при обучении и выводах по сравнению с альтернативами на основе трансформаторов (например, RT-DETR), что делает их доступными на аппаратном обеспечении потребительского класса.

Узнайте больше о YOLO11

Заключение

И YOLOX, и YOLOv7 заняли достойное место в истории компьютерного зрения. YOLOX демократизировал безъякорный подход, предложив упрощенный конвейер, который легко понять и развернуть на небольших устройствах. YOLOv7 расширил границы производительности, доказав, что эффективный архитектурный дизайн может дать огромный прирост в скорости и точности.

Однако для тех, кто создает системы искусственного интеллекта производственного уровня сегодня, рекомендация в значительной степени склоняется в сторону Ultralytics YOLO семейству. На сайте YOLO11вы получаете доступ к универсальной, надежной и удобной платформе, которая справляется со всеми сложностями MLOps, позволяя вам сосредоточиться на решении реальных проблем.

Изучите другие сравнения

Чтобы получить дополнительную информацию о выборе модели, изучите эти сравнения:


Комментарии