Model Karşılaştırması: Nesne Algılama için YOLOv5 vs YOLOv6-3.0
Başarılı bilgisayarla görme uygulamaları için en uygun nesne algılama modelini seçmek kritik öneme sahiptir. Hem Ultralytics YOLOv5 hem de Meituan YOLOv6-3.0, verimlilikleri ve doğruluklarıyla bilinen popüler seçeneklerdir. Bu sayfa, hangi modelin proje ihtiyaçlarınıza en uygun olduğuna karar vermenize yardımcı olacak teknik bir karşılaştırma sunmaktadır. Mimari nüanslarını, performans kıyaslamalarını, eğitim yaklaşımlarını ve uygun uygulamaları inceliyoruz.
Ultralytics YOLOv5
YOLOv5 hızı ve uyarlanabilirliği ile tanınan tek aşamalı bir nesne algılama modelidir. Ultralytics tarafından geliştirilen ve ilk olarak 26 Haziran 2020'de piyasaya sürülen YOLOv5 , kolay ölçeklendirme ve özelleştirmeye olanak tanıyan esnek bir mimari ile inşa edilmiştir. Mimarisi, optimize edilmiş çıkarım hızına odaklanan ve doğrulukla dengeyi koruyan CSPBottleneck gibi bileşenleri kullanır.
- Yazarlar: Glenn Jocher
- Organizasyon: Ultralytics
- Tarih: 2020-06-26
- GitHub: YOLOv5 GitHub Deposu
- Dokümantasyon: YOLOv5 Dokümanları
YOLOv5 , her biri farklı performans gereksinimlerini karşılamak üzere tasarlanmış bir dizi model boyutu (n, s, m, l, x) sunar. YOLOv5n gibi daha küçük modeller kompakt boyutları ve hızlı çıkarımları nedeniyle uç cihazlar için idealken, YOLOv5x gibi daha büyük modeller daha zorlu görevler için gelişmiş doğruluk sunar. YOLOv5 , hızı ve verimliliği nedeniyle gerçek zamanlı nesne algılama gerektiren uygulamalarda özellikle güçlüdür.
YOLOv5 hakkında daha fazla bilgi edinin
YOLOv5'in güçlü yönleri:
- Hız: YOLOv5 , gerçek zamanlı uygulamalar için uygun hale getiren çıkarım hızında üstündür.
- Esneklik: Mimarisi son derece özelleştirilebilir ve ölçeklenebilirdir.
- Topluluk Desteği: Geniş ve aktif bir topluluk tarafından desteklenir, kapsamlı kaynaklar ve destek sunar.
- Kullanım Kolaylığı: Ultralytics HUB ile geliştirilmiş eğitim, doğrulama ve dağıtım için basit iş akışları.
YOLOv5'in zayıf yönleri:
- Doğruluk: Doğru olmakla birlikte, daha büyük YOLOv6-3.0 modelleri bazı kıyaslamalarda biraz daha iyi mAP elde edebilir.
Meituan YOLOv6-3.0
Meituan tarafından geliştirilen ve Ocak 2023'te tanıtılan YOLOv6-3.0, YOLO serisinde gelişmiş doğruluk ve hıza odaklanan bir ilerlemeyi temsil etmektedir. Belirli mimari ayrıntılar en iyi şekilde resmi YOLOv6 kaynaklarında bulunurken, Çift Yönlü Birleştirme (BiC) modülü ve Çapa Destekli Eğitim (AAT) stratejisi gibi yenilikler içermektedir. Bu geliştirmeler, önemli bir hız düşüşü olmadan özellik çıkarma ve algılama hassasiyetini artırmayı amaçlamaktadır.
- 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: YOLOv6 v3.0: Tam Ölçekli Bir Yeniden Yükleme
- GitHub: YOLOv6 GitHub Deposu
- Dokümantasyon: YOLOv6 Dokümanları
YOLOv6-3.0 ayrıca performans ve hesaplama kaynaklarını dengelemek için çeşitli boyutlarda (n, s, m, l) modeller sunar. Kıyaslamalar, YOLOv6-3.0 modellerinin, özellikle daha büyük yapılandırmalarda benzer boyuttaki YOLOv5 modellerine kıyasla rekabetçi veya daha üstün mAP elde edebildiğini ve nesne algılama görevlerinde gelişmiş doğruluk sağladığını göstermektedir.
YOLOv6-3.0 hakkında daha fazla bilgi edinin
YOLOv6-3.0'ın güçlü yönleri:
- Doğruluk: Özellikle büyük model boyutlarında genellikle rekabetçi veya daha iyi mAP sunar.
- Çıkarım Hızı: Gerçek zamanlı nesne tespiti için uygun olan yüksek çıkarım hızlarına ulaşır.
- Mimari Yenilikler: Performans kazanımları için BiC modülü ve AAT'yi içerir.
YOLOv6-3.0'ın zayıf yönleri:
- Topluluk ve Kaynaklar: Etkili olmakla birlikte, YOLOv5'e kıyasla kapsamlı topluluk desteğine ve hazır kaynaklara sahip olmayabilir.
- Entegrasyon: Ultralytics HUB ve ilgili araçlarla doğrudan entegrasyon, yerel Ultralytics modellerine göre daha az sorunsuz olabilir.
Performans Karşılaştırma Tablosu
| Model | boyut(piksel) | mAPval50-95 | HızCPU ONNX(ms) | HızT4TensörRT10(ms) | params(M) | FLOPs(B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
Sonuç
Hem YOLOv5 hem de YOLOv6-3.0, her biri benzersiz güçlü yönlere sahip sağlam nesne algılama modelleridir. YOLOv5 , Ultralytics ekosistemi içinde kapsamlı topluluk desteğinden ve sorunsuz entegrasyondan yararlanan çok yönlü ve hızlı bir model olmaya devam etmektedir. Çok çeşitli gerçek zamanlı uygulamalar için mükemmel bir seçimdir. YOLOv6-3.0, çıkarım hızından ödün vermeden daha yüksek doğruluğun önceliklendirildiği projeler için cazip bir alternatif sunar. Mimari geliştirmeleri belirli senaryolarda performans avantajı sağlar.
En yeni modelleri arayan kullanıcılar için, aşağıdaki gibi daha yeni Ultralytics modellerini keşfetmeyi düşünün YOLOv8, YOLOv9, YOLOv10 ve YOLO11. Özel uygulamalar için, YOLO gibi modeller ve RT-DETR benzersiz avantajlar sunarken FastSAM verimli segmentasyon yetenekleri sağlar.
Daha fazla ayrıntı ve daha geniş bir model yelpazesi için Ultralytics Modelleri Dokümantasyonuna bakın.
