YOLOX в сравнении с YOLOv7: техническое сравнение

Выбор подходящей модели обнаружения объектов — критически важное решение для любого проекта в области компьютерного зрения, напрямую влияющее на производительность, скорость и возможность развертывания. На этой странице представлено подробное техническое сравнение двух влиятельных моделей в семействе YOLO: YOLOX и YOLOv7. Мы рассмотрим их архитектурные различия, эталонные показатели производительности и идеальные варианты использования, чтобы помочь вам сделать осознанный выбор.

YOLOX: Превосходство без якорей

YOLOX был представлен как высокопроизводительный детектор без anchor, нацеленный на упрощение конвейера обнаружения при одновременном повышении производительности по сравнению с предыдущими версиями YOLO. Его философия проектирования устраняет разрыв между академическими исследованиями и промышленным применением за счет оптимизации процесса обучения.

Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
Организация: Megvii
Дата: 2021-07-18
Arxiv: https://arxiv.org/abs/2107.08430
GitHub: https://github.com/Megvii-BaseDetection/YOLOX
Документация: https://yolox.readthedocs.io/en/latest/

Архитектура и ключевые особенности

YOLOX выделяется несколькими ключевыми архитектурными инновациями, которые отличают его от предшественников:

• Anchor-Free Design: Отказ от предопределенных anchor boxes в YOLOX уменьшает количество параметров проектирования и сложность, связанную с настройкой anchor. Это делает модель более гибкой и улучшает ее способность к обобщению для объектов с разнообразными формами и размерами, особенно на наборах данных, таких как COCO.
• Decoupled Head (Разделенная голова): В отличие от связанных голов, которые выполняют классификацию и локализацию одновременно, YOLOX использует разделенную голову. Показано, что такое разделение разрешает конфликт между двумя задачами, что приводит к более быстрой сходимости во время обучения и более высокой точности.
• Продвинутая аугментация данных: Модель использует надежные методы аугментации данных, включая MixUp и Mosaic, для повышения своей устойчивости и предотвращения переобучения. Вы можете узнать больше об этих методах в нашем руководстве по аугментации данных.
• Назначение меток SimOTA: В YOLOX представлена продвинутая стратегия назначения меток под названием SimOTA (Simplified Optimal Transport Assignment, упрощенное оптимальное транспортное назначение). Она динамически назначает положительные примеры для обучения, что повышает эффективность обучения и помогает модели лучше изучать признаки.

Сильные и слабые стороны

Преимущества:

• Упрощенный конвейер: Подход без anchor-ов упрощает процесс обучения и развертывания, устраняя необходимость в кластеризации и настройке anchor-ов.
• Высокая способность к обобщению: Комбинация архитектуры без anchor и мощной аугментации данных помогает модели хорошо обобщать данные на новые домены и наборы данных.
• Хороший баланс производительности: YOLOX предлагает надежный компромисс между скоростью и точностью для различных масштабов моделей.

Слабые стороны:

• Превосходство новых моделей: Несмотря на свою эффективность, YOLOX был превзойден по скорости и точности новыми архитектурами, такими как YOLOv7 и последующие модели Ultralytics.
• Ограничения экосистемы: YOLOX не является частью интегрированной экосистемы, такой как Ultralytics, что может усложнить развертывание и MLOps. Ей не хватает бесшовной интеграции с такими инструментами, как Ultralytics HUB.

Узнайте больше о YOLOX

YOLOv7: Вершина скорости и точности

После выпуска YOLOv7 установила новый современный уровень для детекторов объектов в реальном времени, продемонстрировав значительные улучшения как в скорости, так и в точности. Это было достигнуто за счет внедрения нескольких архитектурных оптимизаций и стратегий обучения.

Авторы: Чен-Яо Ванг, Алексей Бочковский и Хонг-Юань Марк Ляо
Организация: Институт информатики, Academia Sinica, Тайвань
Дата: 2022-07-06
Arxiv: https://arxiv.org/abs/2207.02696
GitHub: https://github.com/WongKinYiu/yolov7
Документация: https://docs.ultralytics.com/models/yolov7/

Архитектура и ключевые особенности

Превосходная производительность YOLOv7 основана на его передовых архитектурных компонентах и усовершенствованиях обучения:

• E-ELAN (Extended Efficient Layer Aggregation Network): Этот ключевой модуль в backbone позволяет сети изучать более разнообразные признаки, контролируя пути градиента, улучшая обучение без нарушения потока градиента.
• Обучаемый набор бесплатных улучшений: YOLOv7 представляет набор методов обучения, которые повышают точность, не увеличивая стоимость вывода. Это включает в себя такие методы, как поэтапное обучение с управляемым лидером и вспомогательные заголовки, которые направляют процесс обучения.
• Масштабирование модели: Модель использует методы сложного масштабирования для глубины и ширины, оптимизированные для архитектур на основе конкатенации, обеспечивая эффективную производительность для различных размеров моделей.
• Репараметризованная свертка: YOLOv7 использует репараметризацию модели для повышения производительности — метод, который с тех пор стал популярным в современном сетевом дизайне.

Сильные и слабые стороны

Преимущества:

• Исключительный компромисс между скоростью и точностью: YOLOv7 обеспечивает выдающийся баланс высокого mAP и быстрой скорости вывода, что делает ее идеальной для приложений реального времени.
• Эффективность обучения: Подход "bag-of-freebies" позволяет достичь высокой точности при эффективном обучении.
• Проверенная производительность: Она установила новый эталон для детекторов объектов реального времени на стандартных наборах данных.

Слабые стороны:

• Архитектурная сложность (Architectural Complexity): Сочетание E-ELAN, вспомогательных заголовков и других функций делает архитектуру более сложной, чем у более простых моделей.
• Интенсивное обучение с использованием ресурсов: Обучение больших моделей YOLOv7 может потребовать значительных вычислительных ресурсов и памяти GPU.
• Ограниченная универсальность: Хотя официальный репозиторий имеет расширения, разработанные сообществом, для таких задач, как оценка позы, он не является по своей сути многозадачным фреймворком, как более новые модели Ultralytics.

Узнайте больше о YOLOv7

Прямое сравнение производительности: YOLOX против YOLOv7

При сравнении производительности обе модели предлагают ряд размеров, соответствующих различным вычислительным возможностям. YOLOX предоставляет масштабируемое семейство от Nano до X, в то время как YOLOv7 фокусируется на обеспечении первоклассной производительности со своими более крупными вариантами.

Из таблицы видно, что модели YOLOv7 обычно достигают более высоких показателей mAP. Например, YOLOv7l превосходит YOLOXx по точности (51,4% против 51,1%) со значительно меньшим количеством параметров (36,9M против 99,1M) и FLOPs (104,7B против 281,9B) и намного быстрее на GPU T4. Это подчеркивает превосходную архитектурную эффективность YOLOv7.

Почему модели Ultralytics YOLO — предпочтительный выбор

Несмотря на то, что YOLOX и YOLOv7 были значительными достижениями, новые модели Ultralytics YOLO, такие как YOLOv8 и YOLO11, предлагают более современный, универсальный и удобный для пользователя опыт.

• Простота использования: Модели Ultralytics разработаны с учетом потребностей разработчиков и отличаются оптимизированным Python API, обширной документацией и простыми командами CLI, которые делают обучение, проверку и развертывание простыми.
• Развитая экосистема: Воспользуйтесь преимуществами надежной экосистемы с активной разработкой, большим сообществом открытого исходного кода, частыми обновлениями и бесшовной интеграцией с такими инструментами, как Ultralytics HUB для сквозного MLOps.
• Универсальность: Такие модели, как YOLOv8 и YOLO11, являются настоящими многозадачными фреймворками, которые «из коробки» поддерживают обнаружение объектов, сегментацию, классификацию, оценку позы и ориентированное обнаружение объектов (OBB).
• Производительность и эффективность: Модели Ultralytics обеспечивают превосходный баланс между скоростью и точностью, оптимизированы для эффективного использования памяти и подходят для широкого спектра оборудования, от периферийных устройств до облачных серверов.

Заключение

YOLOX и YOLOv7 — мощные модели обнаружения объектов, которые расширили границы возможного в компьютерном зрении. YOLOX заслуживает похвалы за свою инновационную конструкцию без привязки к якорям, которая упрощает конвейер обнаружения. YOLOv7 выделяется своей исключительной скоростью и точностью, что делает его отличным выбором для требовательных приложений реального времени.

Однако для разработчиков и исследователей сегодня модели Ultralytics, такие как YOLOv8 и YOLO11, представляют собой следующий шаг вперед. Они предлагают превосходную производительность, большую универсальность и более комплексную, удобную экосистему, что делает их рекомендуемым выбором для создания современных, высокопроизводительных решений в области искусственного интеллекта для зрения.

Сравнения с другими моделями

Для получения дополнительной информации изучите другие сравнения моделей:

• YOLOX в сравнении с YOLOv5
• YOLOX в сравнении с YOLOv8
• YOLOv7 против YOLOv8
• RT-DETR против YOLOv7
• Изучите последние модели, такие как YOLOv10 и YOLO11.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии