YOLOv6.0 vs YOLOv10: Detaylı Teknik Karşılaştırma

En uygun bilgisayarla görme modelinin seçilmesi, yapay zeka girişimlerinin başarısı için çok önemlidir ve çıkarım gecikmesi, doğruluk ve hesaplama verimliliği gibi faktörleri dengeler. Bu kapsamlı teknik karşılaştırma, öne çıkan iki nesne algılama mimarisini incelemektedir: Endüstriyel hız için tasarlanmış YOLOv6.0 ve YOLOv10gerçek zamanlı uçtan uca verimliliği ile tanınır. Seçim sürecinize rehberlik etmek için mimari yeniliklerini, kıyaslama metriklerini ve ideal kullanım durumlarını analiz ediyoruz.

YOLOv6.0: Endüstriyel Sınıf Hız ve Hassasiyet

Meituan'daki görüntü zekası departmanı tarafından geliştirilen YOLOv6.0, endüstriyel uygulamalar için özel olarak optimize edilmiş tek aşamalı bir nesne algılama çerçevesidir. 2023'ün başlarında piyasaya sürülen bu sürüm, GPU'lar ve uç cihazlardaki verimi en üst düzeye çıkarmak için donanım dostu tasarımlara öncelik vererek üretim ve lojistikte gerçek zamanlı çıkarımın zorlu taleplerini karşılıyor.

• 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:https://github.com/meituan/YOLOv6
• Dokümanlar:https://docs.ultralytics.com/models/yolov6/

Mimari ve Temel Özellikler

YOLOv6.0, özellik çıkarma ve yakınsama hızını artırmak için birkaç gelişmiş teknik içeren mimarisinin "Tam Ölçekli Yeniden Yüklemesini" sunar:

• Verimli Yeniden Parametrelendirme Backbone: Karmaşık eğitim yapılarının daha hızlı çıkarım katmanlarına basitleştirilmesine olanak tanıyan ve doğruluktan ödün vermeden FLOPS 'u optimize eden donanıma duyarlı bir backbone kullanır.
• Çift Yönlü Birleştirme (BiC): Boyun tasarımı, lokalizasyon sinyallerini iyileştirmek için BiC'yi kullanır ve farklı ölçeklerde daha iyi özellik füzyonu sağlar.
• Çapa Destekli Eğitim (AAT): YOLOv6.0, temelde çapa içermese de, yakınsamayı dengelemek ve performansı artırmak için eğitim sırasında çapa tabanlı yardımcı dalları yeniden sunar.

Güçlü ve Zayıf Yönler

Güçlü yönler: YOLOv6.0 yüksek verim gerektiren senaryolarda üstünlük sağlar. Model niceleme desteği, mobil platformlarda ve gömülü sistemlerde etkili bir şekilde kullanılmasına olanak tanır. "Lite" varyantları özellikle CPU ortamlar için kullanışlıdır.

Zayıf yönleri: Tamamen nesne algılamaya odaklanmış bir model olarak, örnek segmentasyonu veya poz tahmini gibi daha geniş görevler için yerel destekten yoksundur. YOLO11. Ayrıca, daha yeni modellerle karşılaştırıldığında, parametre verimliliği daha düşüktür ve benzer doğruluk seviyeleri için daha fazla bellek gerektirir.

YOLOv6 hakkında daha fazla bilgi edinin

YOLOv10: Uçtan Uca Verimliliğin Sınırları

Mayıs 2024'te Tsinghua Üniversitesi'ndeki araştırmacılar tarafından tanıtılan YOLOv10 , işlem sonrası sırasında Maksimum Olmayan Bastırma (NMS) ihtiyacını ortadan kaldırarak YOLO ailesinin sınırlarını zorluyor. Bu yenilik, onu gecikme açısından kritik uygulamalar için yeni nesil bir model olarak konumlandırıyor.

• Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
• Organizasyon:Tsinghua Üniversitesi
• Tarih: 2024-05-23
• Arxiv:https://arxiv.org/abs/2405.14458
• GitHub:https://github.com/THU-MIG/yolov10
• Dokümanlar:https://docs.ultralytics.com/models/yolov10/

Mimari ve Temel Özellikler

YOLOv10 , bütünsel bir verimlilik-doğruluk odaklı tasarım stratejisi benimser:

• NMS'siz Eğitim: Tutarlı ikili atamalar (eğitim için bire çok, çıkarım için bire bir) kullanan YOLOv10 , her nesne için tek bir en iyi kutuyu tahmin eder. Bu, NMS sonrası işlemeyle ilişkili hesaplama ek yükünü ve gecikme değişkenliğini ortadan kaldırır.
• Bütünsel Model Tasarımı: Mimari, model parametrelerini ve hesaplama maliyetini önemli ölçüde azaltan hafif sınıflandırma başlıkları ve uzamsal-kanal ayrıştırılmış alt örnekleme özelliklerine sahiptir.
• Sıralama Kılavuzlu Blok Tasarımı: Verimliliği artırmak için model, özellik işlemenin daha az kritik olduğu aşamalarda fazlalığı azaltmak için sıralama güdümlü blok tasarımı kullanır.

Güçlü ve Zayıf Yönler

Güçlü yönleri: YOLOv10 üstün bir hız-doğruluk dengesi sunar ve genellikle daha yüksek mAP öncekilerden önemli ölçüde daha az parametre ile. Ultralytics Python ekosistemine entegrasyonu, diğer modellerle birlikte eğitilmesini ve dağıtılmasını inanılmaz derecede kolaylaştırır.

Zayıf Yönler: Nispeten yeni bir giriş olduğundan, topluluk kaynakları ve üçüncü taraf araçları hala büyümektedir. YOLOv6 gibi, algılama için uzmanlaşmıştır, oysa çoklu görev yeteneklerine ihtiyaç duyan kullanıcılar şunları tercih edebilir YOLO11.

YOLOv10 hakkında daha fazla bilgi edinin

Performans Analizi: Metrikler ve Kıyaslamalar

Aşağıdaki tabloda YOLOv6.0 ve YOLOv10 'un COCO veri kümesi üzerindeki performansı karşılaştırılmaktadır. Temel ölçütler arasında model boyutu, ortalama Ortalama HassasiyetmAP) ve CPU ve GPU'da çıkarım hızı yer almaktadır.

Temel Bilgiler

1. Parametre Verimliliği: YOLOv10 dikkate değer bir verimlilik göstermektedir. Örneğin, YOLOv10s, YOLOv6.0s 'den (%45.0) daha yüksek bir mAP (%46.7) elde ederken parametrelerin yarısından daha azını (7.2M'ye karşı 18.5M) kullanır. Bu azaltılmış bellek ayak izi, uç yapay zeka cihazları için hayati önem taşımaktadır.
2. Gecikme süresi: YOLOv6.0n biraz daha hızlı ham TensorRT gecikmesi gösterirken (1,17 NMS 'ye karşı 1,56 NMS ), YOLOv10 , ham model çıkarım sürelerinde yakalanmayan gerçek dünya boru hatlarında genellikle ek zaman tüketen NMS adımını ortadan kaldırır.
3. Doğruluk: Neredeyse tüm ölçeklerde, YOLOv10 daha yüksek doğruluk sağlayarak karmaşık ortamlardaki zor nesneleri tespit etmek için daha sağlam bir seçimdir.

Kullanım ve Uygulama

Ultralytics , bu modelleri kullanmak için kolaylaştırılmış bir deneyim sağlar. YOLOv10 , Ultralytics'te yerel olarak desteklenmektedir. ultralytics paketi, sorunsuz bir şekilde EĞİTİM ve tahmin.

YOLOv10 'u Ultralytics ile Çalıştırma

YOLOv10 'u Python API'sini kullanarak sadece birkaç satır kodla çalıştırabilirsiniz. Bu, Ultralytics ekosisteminin doğasında bulunan kullanım kolaylığını vurgular.

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

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

# Train the model on a custom dataset
# model.train(data="coco8.yaml", epochs=100, imgsz=640)

YOLOv6.0 Kullanımı

YOLOv6.0, farklı bir kod tabanı yapısını takip ettiğinden, eğitim ve çıkarım için genellikle resmi Meituan deposunun klonlanmasını gerektirir.

# Clone the YOLOv6 repository
git clone https://github.com/meituan/YOLOv6
cd YOLOv6
pip install -r requirements.txt

# Inference using the official script
python tools/infer.py --weights yolov6s.pt --source path/to/image.jpg

Sonuç: Doğru Modeli Seçmek

Her iki model de bilgisayarla görme alanında önemli başarıları temsil etmektedir. YOLOv6.0, mimarisi için özel olarak optimize edilmiş eski endüstriyel sistemler için sağlam bir seçim olmaya devam etmektedir. Ancak, YOLOv10NMS mimarisi, üstün parametre verimliliği ve daha yüksek doğruluğu sayesinde genellikle yeni projeler için daha iyi bir yatırım getirisi sunar.

En üst düzeyde çok yönlülük ve ekosistem desteği arayan geliştiriciler için, Ultralytics YOLO11 şiddetle tavsiye edilir. YOLO11 yalnızca son teknoloji algılama performansı sunmakla kalmaz, aynı zamanda poz tahminini, OBB'yi ve sınıflandırmayı tek ve bakımlı bir paket içinde yerel olarak destekler. Ultralytics ekosistemi, verimli eğitim süreçleri, düşük bellek kullanımı ve aşağıdaki gibi formatlara kolay aktarım sağlar ONNX ve TensorRTBu sayede sağlam yapay zeka çözümlerini güvenle uygulayabilirsiniz.

Daha Fazla Okuma

• Çok yönlülüğü keşfedin YOLO11 çoklu görev vizyon yapay zekası için.
• Transformatör tabanlı algılama için YOLOv10 ile RT-DETR 'yi karşılaştırın.
• Maksimum dağıtım hızı için modelleri dışa aktarma hakkında bilgi edinin.

Yorumlar