YOLOv5 vs YOLOv6.0: Ekosistem Olgunluğu ve Endüstriyel Hassasiyetin Dengelenmesi

Bilgisayarla görmenin hızla gelişen ortamında, doğru nesne algılama mimarisini seçmek, geliştiriciler ve araştırmacılar için çok önemli bir karardır. Bu karşılaştırma, aşağıdakiler arasındaki teknik ayrımları incelemektedir Ultralytics YOLOv5erişilebilirliği ve sağlam ekosistemiyle tanınan efsanevi bir model olan Meituan YOLOv6.0 ve özellikle endüstriyel uygulamalar için tasarlanmış bir çerçeve. Her iki model de nesne algılama konusunda mükemmel olsa da, farklı dağıtım ihtiyaçlarına ve iş akışı tercihlerine hitap etmektedir.

Ultralytics YOLOv5

Yazarlar: Glenn Jocher
Organizasyon: Ultralytics
Tarih: 2020-06-26
GitHub: yolov5
Dokümanlar: https:yolov5

YOLOv5 , 2020'de piyasaya sürülmesinden bu yana dünyanın en popüler ve güvenilir AI modellerinden biri olarak kendini kanıtlamıştır. üzerine inşa edilmiştir. PyTorch çerçevesi, kullanılabilirlik, dışa aktarılabilirlik ve "kullanıma hazır" performansa öncelik vererek en son teknoloji vizyon yapay zekasına erişimi demokratikleştirdi.

Mimari ve Ekosistem

YOLOv5 , PANet boynu ve YOLOv3 tarzı bir kafa ile birleştirilmiş bir CSPDarknet backbone kullanır. Mimarisi çapa tabanlıdır ve nesne konumlarını tahmin etmek için çapa kutularını kullanır. Önemli bir farklılaştırıcı özelliği, olgun bir ekosisteme entegre olmasıdır. Birçok araştırma kod tabanının aksine, YOLOv5 mühendisler için bir ürün olarak tasarlanmıştır ve aşağıdaki gibi formatlara sorunsuz aktarım özelliğine sahiptir ONNX, CoreML ve TFLite ile mobil ve uç dağıtım için son derece çok yönlüdür.

Temel Güçlü Yönler

• Kullanım Kolaylığı:YOLOv5 deneyimi" basitliği ile tanımlanır. Özel veri kümelerini eğitmekten çıkarım yapmaya kadar iş akışları kolaylaştırılmış ve iyi belgelenmiştir.
• Bakımlı Ekosistem: Kullanıcılar aktif bakımdan, sık güncellemelerden ve büyük bir topluluktan yararlanır. MLOps araçları ile entegrasyonlar Weights & Biases ve Comet yerli.
• Çok yönlülük: Depo, standart algılamanın ötesinde örnek segmentasyonunu ve görüntü sınıflandırmasını destekleyerek tek bir kod tabanında çok görevli bir çözüm sunar.
• Bellek Verimliliği: YOLOv5 , transformatör tabanlı modellere kıyasla eğitim sırasında nispeten düşük bellek ayak izi ile bilinir ve bu da onu tüketici sınıfı GPU'larda erişilebilir kılar.

YOLOv5 hakkında daha fazla bilgi edinin

Meituan YOLOv6.0

Yazarlar Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu ve Xiangxiang Chu
Organizasyon: Meituan
Tarih: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: YOLOv6
Dokümanlar: https:ultralytics

Meituan'daki vizyon yapay zeka ekibi tarafından geliştirilen YOLOv6.0, kendisini özellikle donanım farkındalığı olan uygulamalar için hız ve doğruluğu dengelemeye odaklanan endüstriyel bir rakip olarak konumlandırıyor. kullanarak GPU'lardaki verimi en üst düzeye çıkarmak için tasarlanmıştır. TensorRT Optimizasyon.

Mimari ve Endüstriyel Odak

YOLOv6 , doğruluktan ödün vermeden çıkarım hızını artırmak için yeniden parametrelendirme tekniklerinden (RepVGG tarzı) yararlanan bir EfficientRep backbone ve bir Rep-PAN boynu kullanır. Eğitim sırasında model, çıkarım sırasında tek dallı bir yapıya dönüşen çok dallı bir yapı kullanır. Sürüm 3.0, Ortalama Ortalama Hassasiyeti (mAP) daha da artırmak için kendi kendine damıtma gibi stratejiler getirmiştir.

Güçlü ve Zayıf Yönler

• GPU Optimizasyonu: Mimari, standart GPU çıkarımı için yoğun bir şekilde ayarlanmıştır ve TensorRT kullanılırken NVIDIA T4 kartlarında genellikle yüksek FPS karşılaştırmaları elde edilir.
• Niceleme Dostu: Meituan, belirli endüstriyel dağıtım senaryoları için çok önemli olan eğitim sonrası niceleme (PTQ) ve nicelemeye duyarlı eğitim (QAT) için özel destek sağlar.
• Sınırlı Çok Yönlülük: Algılama konusunda mükemmel olsa da YOLOv6 , kapsamlı Ultralytics paketinde bulunan geniş, yerel çoklu görev desteğinden (Poz Tahmini veya OBB gibi) yoksundur.
• Karmaşıklık: Yeniden parametrelendirme adımları ve özel eğitim ardışık düzenleri, Ultralytics modellerinin tak ve çalıştır doğasına kıyasla karmaşıklık getirebilir.

YOLOv6 hakkında daha fazla bilgi edinin

Performans Kafa Kafaya

Aşağıdaki karşılaştırma performans ödünleşimlerini vurgulamaktadır. YOLOv6.0, güçlü donanımlarda en yüksek doğruluğu hedefler ve genellikle parametre verimliliğinden ödün verir. Buna karşılık, Ultralytics YOLOv5 , CPU ortamlarda ve uç cihazlarda gerçek zamanlı çıkarımda mükemmel olan hafif modeller sunarak dikkate değer bir denge sağlar.

Analiz

YOLOv5n, en küçük YOLOv6 varyantına (4,7M) kıyasla önemli ölçüde daha az parametre (2,6M) gerektiren mobil uygulamalar için son derece verimli bir çözüm olarak öne çıkmaktadır. YOLOv6.0 daha büyük boyutlarda daha yüksek tepe mAP elde ederken, bunu artan model boyutu (FLOP'lar ve Parametreler) pahasına yapar. CPU dağıtımını hedefleyen geliştiriciler için ( robotik veya düşük güçlü izlemede yaygındır), YOLOv5'in CPU hızları açıkça kıyaslanmış ve optimize edilmiştir, oysa YOLOv6 ağırlıklı olarak GPU hızlandırmasına odaklanmaktadır.

Eğitim Metodolojileri ve Deneyim

Eğitim deneyimi iki ekosistem arasında önemli ölçüde farklılık gösterir. Ultralytics , düşük kodlu, yüksek esneklikli bir yaklaşıma öncelik verir.

Ultralytics İş Akışı

YOLOv5 , PyTorch Hub aracılığıyla doğrudan entegre edilebilir ve kullanıcıların modelleri minimum şablon koduyla yükleyip çalıştırmasına olanak tanır. Eğitim komut dosyası, veri artırmadan günlüğe kaydetmeye kadar her şeyi otomatik olarak halleder.

import torch

# Load YOLOv5s from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Perform inference
img = "https://ultralytics.com/images/zidane.jpg"
results = model(img)
results.print()

Endüstriyel İş Akışı

YOLOv6 genellikle deponun klonlanmasını, yeniden parametrelendirme backbone için belirli yapılandırma dosyalarının ayarlanmasını ve harici MLOps araçlarıyla daha az entegre olan komut dosyalarının çalıştırılmasını içeren daha manuel bir kurulum gerektirir. Güçlü olmakla birlikte, bildirilen kıyaslamalara ulaşmak için belirli mimari kısıtlamaların (kendi kendine damıtma parametreleri gibi) daha iyi anlaşılmasını gerektirir.

İdeal Kullanım Senaryoları

Bu modeller arasında seçim yapmak, donanım, doğruluk ve geliştirme hızı ile ilgili özel kısıtlamalarınıza bağlıdır.

• Ultralytics YOLOv5: Hızlı prototipleme, uç dağıtım ve topluluk desteği için tercih edilen seçenek. Bir Raspberry Pi, cep telefonu veya CPU sunucusuna dağıtmanız gerekiyorsa, YOLOv5'in hafif yapısı ve dışa aktarma desteği eşsizdir. Algılamanın yanı sıra segmentasyon ve sınıflandırmayı destekleyen çok yönlü bir kod tabanına ihtiyaç duyan araştırmacılar için de idealdir.
• Meituan YOLOv6.0: Üst düzey GPU'ların mevcut olduğu ve mAP 'yi en üst düzeye çıkarmanın tek öncelik olduğu sabit endüstriyel ortamlar için en uygunudur. NVIDIA T4/A10 sunucularında çalışan bir fabrika kalite güvence sistemi kuruyorsanız ve yeniden parametrelendirilmiş modellere ince ayar yapmak için mühendislik kaynaklarına sahipseniz YOLOv6 güçlü bir adaydır.

Sonuç

Ultralytics YOLOv5 , performans dengesi, kullanım kolaylığı ve gelişen ekosistemi ile bilgisayarla görme topluluğunun temel taşlarından biri olmaya devam ediyor. Uçtan buluta kadar geniş bir donanım yelpazesinde güvenilir sonuçlar sunma yeteneği, onu çok yönlülüğe ve pazara sunma süresine öncelik veren çoğu geliştirici için üstün bir seçim haline getirmektedir.

YOLOv6.0, endüstriyel GPU çıkarımı için etkileyici mimari yenilikler sunarken, Ultralytics modellerinin kapsamlı ekosistemi ve çoklu platform uyarlanabilirliğinden yoksundur. Performans ve verimlilikte mutlak en son teknolojiyi arayanlar için şunları keşfetmenizi öneririz Ultralytics YOLO11YOLOv5 ve YOLOv6 'yı doğruluk ve hız açısından geride bırakırken kullanıcı dostu Ultralytics API'sini de koruyor.

Özel görevler için, geliştiriciler Ultralytics belgelerindeki diğer modelleri de göz önünde bulundurabilirler, örneğin YOLOv8, YOLOv9, YOLOv10veya transformatör tabanlı RT-DETR.

Ultralytics Modelleri Dokümantasyonu'nda görsel yapay zekanın tüm potansiyelini keşfedin.

Yorumlar