Сравнение моделей: YOLOX против YOLOv8 для обнаружения объектов
Выбор правильной модели обнаружения объектов имеет решающее значение для обеспечения баланса между точностью, скоростью и вычислительными ресурсами в приложениях компьютерного зрения. На этой странице представлено техническое сравнение между YOLOX, разработанной компанией Megvii, и Ultralytics YOLOv8- современными моделями, известными своими возможностями обнаружения объектов. Мы анализируем их архитектурные решения, эталоны производительности и пригодность для различных случаев использования, чтобы помочь вам в процессе выбора модели.
| Модель | размер (пикселей) |
mAPval 50-95 |
Скорость CPU ONNX (мс) |
Скорость T4TensorRT10 (мс) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
YOLOX: высокопроизводительное безъякорное обнаружение
YOLOX, представленная Megvii в июле 2021 года(arXiv), - это модель обнаружения объектов без якорей, направленная на упрощение конвейера YOLO и повышение производительности. Ее авторами являются Чжэн Гэ, Сонгтао Лю, Фэн Ван, Земинг Ли и Цзянь Сунь. YOLOX призван преодолеть разрыв между научными исследованиями и промышленными приложениями благодаря эффективному дизайну и высокой точности. Архитектура включает в себя такие усовершенствования, как отсоединенная головка, назначение меток SimOTA и сильные методы дополнения данных, что способствует ее надежной работе.
Сильные стороны:
- Простота и эффективность: YOLOX упрощает традиционную систему YOLO , удаляя якоря, что приводит к более простому процессу обучения и снижению сложности.
- Высокая точность и скорость: достигает передовой производительности среди одноступенчатых детекторов, балансируя между высокой точностью и высокой скоростью вывода, как показано в его эталонном примере.
- Промышленный дизайн: YOLOX разработан так, чтобы его можно было легко развернуть и адаптировать для промышленных приложений, благодаря множеству вариантов развертывания, таких как ONNX, TensorRT и OpenVINO (документация YOLOX).
Слабые стороны:
- Несмотря на эффективность, размеры моделей, особенно для больших вариантов, таких как YOLOX-x, могут быть значительными, потенциально требуя больше вычислительных ресурсов по сравнению с чрезвычайно легкими моделями, такими как YOLOv8n.
Идеальные варианты использования:
YOLOX подходит для приложений, требующих баланса высокой точности и обработки в реальном времени, в том числе:
- Высокопроизводительное обнаружение объектов в исследованиях и разработках, где приоритет отдается передовой точности.
- Промышленные приложения, требующие прочного и надежного обнаружения, такие как контроль качества и автоматизация производства(AI in Manufacturing).
- Сценарии развертывания на границе, где имеется доступное оборудование, с использованием оптимизированных вариантов развертывания.
YOLOv8: универсальное и удобное обнаружение
Ultralytics YOLOv8Выпущенная компанией Ultralytics 10 января 2023 года, она является последней итерацией серии YOLO , ориентированной на обеспечение универсальности и удобства использования в широком спектре задач ИИ зрения. Разработанная Гленом Джошером, Аюшем Чаурасией и Цзин Цю, она опирается на предыдущие версии YOLO с архитектурными улучшениями и сильным акцентом на простоту использования и гибкость. YOLOv8 поддерживает различные задачи, включая обнаружение объектов, сегментацию объектов, классификацию изображений и оценку позы.
Сильные стороны:
- Современная производительность: YOLOv8 обеспечивает превосходное mAP и быстрое умозаключение, что делает ее конкурентоспособной по сравнению с другими лучшими моделями (см. бенчмаркиYOLOv8 ).
- Простота использования: Ultralytics делает акцент на удобстве использования, предоставляя исчерпывающую документацию и простой интерфейс Python, что способствует быстрому созданию прототипов и развертыванию.
- Универсальность в различных задачах: YOLOv8 не ограничивается обнаружением объектов, а включает в себя сегментацию, классификацию и оценку позы, предоставляя единое решение для различных задач компьютерного зрения.
- Экосистема и сообщество: Он пользуется преимуществами большого и активного сообщества разработчиков с открытым исходным кодом и легко интегрируется с Ultralytics HUB для управления и развертывания моделей.
Слабые стороны:
- Для устройств с ограниченными ресурсами подойдут более компактные специализированные модели, например YOLOX-Nano, хотя YOLOv8n - очень легкая альтернатива.
Идеальные варианты использования:
Универсальность и простота использования YOLOv8 делают его идеальным для широкого спектра применений:
- Обнаружение объектов в реальном времени в таких приложениях, как системы безопасности, робототехника и автономные транспортные средства.
- Универсальные решения Vision AI для различных отраслей промышленности, включая сельское хозяйство, здравоохранение и "умные города".
- Быстрое создание прототипов и развертывание благодаря удобному интерфейсу и предварительно обученным моделям, доступным на Ultralytics HUB.
Для пользователей, заинтересованных в других моделях, Ultralytics также предлагает ряд моделей YOLO , включая YOLOv5, YOLOv7 и передовую модель YOLOv10, каждая из которых обладает уникальными преимуществами и оптимизациями.
