İçeriğe geç

Model Karşılaştırması: Nesne Algılama için YOLOv6-3.0 - YOLOv5

Optimum nesne algılama modelini seçmek, başarılı bilgisayarla görme uygulamaları için kritiktir. Hem Meituan YOLOv6-3.0 hem de Ultralytics YOLOv5, verimlilikleri ve doğruluklarıyla bilinen popüler seçeneklerdir. Bu sayfa, projenizin ihtiyaçlarına en uygun modelin hangisi olduğuna karar vermenize yardımcı olmak için teknik bir karşılaştırma sunmaktadır. Ultralytics ekosisteminin güçlü yönlerini vurgulayarak, mimari nüanslarını, performans kıyaslamalarını, eğitim yaklaşımlarını ve uygun uygulamalarını inceliyoruz.

Meituan YOLOv6-3.0

Meituan tarafından geliştirilen YOLOv6-3.0, öncelikli olarak endüstriyel uygulamalar için tasarlanmış bir nesne algılama çerçevesidir. 2023'ün başlarında yayınlanan bu sürüm, gerçek dünya dağıtım senaryoları için uygun bir hız ve doğruluk dengesi sağlamayı amaçlamıştır.

Mimari ve Temel Özellikler

YOLOv6, verimli, yeniden parametrelendirilebilir bir backbone ve aerodinamik bir boyun tasarımı gibi mimari değişiklikler getirmiştir. Sürüm 3.0, bu öğeleri daha da geliştirmiş ve performansı artırmak için eğitim sırasında kendi kendine damıtma gibi teknikler içermiştir. Ayrıca, mobil dağıtım için optimize edilmiş belirli modeller (YOLOv6Lite) sunar.

Güçlü Yönler

  • İyi Hız-Doğruluk Dengesi: Özellikle GPU üzerindeki endüstriyel nesne algılama görevleri için rekabetçi performans sunar.
  • Kuantalama Desteği: Sınırlı kaynaklara sahip donanımlarda dağıtım için faydalı olan model kuantalaması için araçlar ve eğitimler sağlar.
  • Mobil Optimizasyon: Özellikle mobil veya CPU tabanlı çıkarım için tasarlanmış YOLOv6Lite varyantlarını içerir.

Zayıflıklar

  • Sınırlı Görev Çok Yönlülüğü: Öncelikli olarak nesne tespitine odaklanır ve örnek segmentasyonu, görüntü sınıflandırması ve poz tahmini için YOLOv8 gibi Ultralytics modellerinde bulunan yerel destekten yoksundur.
  • Ekosistem ve Bakım: Açık kaynaklı olmasına rağmen, ekosistem Ultralytics platformu kadar kapsamlı veya aktif olarak sürdürülmemektedir. Bu, daha yavaş güncellemelere, daha az topluluk desteğine ve daha karmaşık bir kullanıcı deneyimine neden olabilir.
  • Daha Yüksek Kaynak Kullanımı: Performans tablosunda görüldüğü gibi, daha büyük YOLOv6 modelleri, karşılaştırılabilir YOLOv5 modellerinden daha fazla parametreye ve FLOP'a sahip olabilir ve bu da potansiyel olarak daha fazla işlem kaynağı gerektirebilir.

YOLOv6 hakkında daha fazla bilgi edinin

Ultralytics YOLOv5

Ultralytics YOLOv5, hızı, kullanım kolaylığı ve uyarlanabilirliği ile tanınan, tek aşamalı bir nesne algılama modelidir. Ultralytics tarafından geliştirilen bu model, yüksek performanslı nesne algılamayı geniş bir kitleye erişilebilir kılmada önemli bir adımı temsil eder.

Tamamıyla PyTorchYOLOv5 , verimli özellik çıkarma ve füzyon için bir CSPDarknet53 backbone ve bir PANet boynuna sahiptir. Mimarisi son derece modülerdir ve farklı performans gereksinimlerini karşılamak için farklı model boyutları (n, s, m, l, x) arasında kolay ölçeklendirmeye izin verir.

YOLOv5'in Güçlü Yönleri

  • Hız ve Verimlilik: YOLOv5, çıkarım hızında mükemmeldir ve bu da onu gerçek zamanlı uygulamalar ve kaynak kısıtlı uç cihazlarda dağıtım için ideal kılar. Özellikle CPU performansı dikkat çekicidir.
  • Kullanım Kolaylığı: Basitliği ile bilinen YOLOv5, basit bir API, kapsamlı belgeler ve çok sayıda öğretici ile kolaylaştırılmış bir kullanıcı deneyimi sunar.
  • İyi Yönetilen Ekosistem: Aktif geliştirme, güçlü topluluk desteği, sık güncellemeler ve MLOps için Ultralytics HUB ile sorunsuz entegrasyon dahil olmak üzere entegre Ultralytics ekosisteminden yararlanır.
  • Performans Dengesi: Hız ve doğruluk arasında güçlü bir denge sağlar, çeşitli gerçek dünya dağıtım senaryoları için uygundur.
  • Eğitim Verimliliği: Özellikle transformatör tabanlı modellere kıyasla, verimli eğitim süreçleri, kolayca erişilebilen önceden eğitilmiş ağırlıklar ve daha düşük bellek gereksinimleri sunar.
  • Çok Yönlülük: Birleşik bir çerçeve içinde nesne tespiti, örnek segmentasyonu ve görüntü sınıflandırması dahil olmak üzere birden fazla görevi destekler.

YOLOv5'in Zayıflıkları

  • En Yüksek Doğruluk: Oldukça doğru ve verimli olmakla birlikte, YOLOv6-3.0 veya Ultralytics YOLOv8 gibi daha yeni modeller, özellikle GPU üzerindeki daha büyük model varyantlarında, belirli kıyaslamalarda biraz daha yüksek mAP sunabilir.

YOLOv5 hakkında daha fazla bilgi edinin

Performans Karşılaştırması: YOLOv6-3.0 - YOLOv5

Aşağıdaki tablo, COCO veri kümesi üzerinde YOLOv6-3.0 ve YOLOv5 modelleri arasındaki ayrıntılı performans karşılaştırmasını sunmaktadır.

Model boyut
(piksel)		 mAPval
50-95		 Hız
CPU ONNX
(ms)		 Hız
T4 TensorRT10
(ms)		 parametreler
(M)		 FLOP'lar
(B)
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
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

Verilerden, YOLOv6-3.0 modelleri, GPU'daki ilgili boyutları için daha yüksek mAP puanları elde etme eğilimindedir. Ancak, Ultralytics YOLOv5, özellikle CPU hızı ve model verimliliği açısından üstün bir performans dengesi sergilemektedir. Örneğin, YOLOv5n, CPU'da önemli ölçüde daha hızlıdır ve herhangi bir YOLOv6-3.0 modelinden daha az parametreye ve FLOP'e sahiptir, bu da onu hafif, gerçek zamanlı uygulamalar için mükemmel bir seçim haline getirir. YOLOv6-3.0l en yüksek mAP'ye sahipken, YOLOv5x iyi belgelenmiş ve desteklenen bir çerçeve ile rekabetçi bir mAP sağlar.

Eğitim Metodolojisi

Her iki model de COCO gibi büyük veri kümeleri üzerinde eğitim için standart derin öğrenme tekniklerinden yararlanır. Ultralytics YOLOv5, akıcı eğitim iş akışları, kapsamlı rehberler, AutoAnchor optimizasyonu ve deney takibi için Weights & Biases ve ClearML gibi araçlarla entegrasyon sunan Ultralytics ekosisteminden önemli ölçüde faydalanır. YOLOv6-3.0'ın eğitimi, deposunda belirtilen prosedürleri izler ve bu da daha fazla manuel kurulum gerektirebilir ve Ultralytics platformunun entegre MLOps araçlarından yoksundur.

İdeal Kullanım Senaryoları

  • Meituan YOLOv6-3.0: GPU üzerinde doğruluğu en üst düzeye çıkarma öncelikli hedef olduğunda ve hızlı çıkarım gerektirirken güçlü bir rakiptir. Özellikle endüstriyel otomasyon gibi, YOLOv5'e göre hafif mAP iyileştirmelerinin potansiyel olarak artan karmaşıklığı veya daha az ekosistem desteğini haklı çıkardığı uygulamalar için uygundur.
  • Ultralytics YOLOv5: Özellikle CPU veya uç cihazlarda gerçek zamanlı performans ve kolay dağıtım gerektiren uygulamalar için şiddetle tavsiye edilir. Çok yönlülüğü, kapsamlı desteği ve verimli kaynak kullanımı, onu hızlı prototipleme, mobil uygulamalar, video gözetimi ve olgun, iyi belgelenmiş bir ekosistemden yararlanan projeler için ideal kılar.

Sonuç

Ultralytics YOLOv5, özellikle olağanüstü hızı, kullanım kolaylığı ve sağlam ekosistemi için değerli olan olağanüstü bir seçim olmaya devam ediyor. Kapsamlı belgeler ve topluluk desteğiyle desteklenen mükemmel bir performans ve verimlilik dengesi sağlayarak, geliştiriciler ve araştırmacılar için oldukça erişilebilir hale getirir.

YOLOv6-3.0, özellikle GPU üzerindeki daha büyük modeller için en yüksek mAP açısından rekabetçi performans sunar. Özellikle endüstriyel uygulamalar için YOLO çerçevesi içinde mümkün olan en yüksek doğruluğa öncelik veren kullanıcılar için uygun bir alternatiftir.

En son gelişmeleri arayanlar için, performans, çok yönlülük ve verimlilikte daha da iyileştirmeler sunan YOLOv8, YOLOv9, YOLOv10 ve YOLO11 gibi daha yeni Ultralytics modellerini keşfedin. RT-DETR gibi özel modeller de belirli kullanım durumları için benzersiz avantajlar sağlar.

Ultralytics Modelleri Dokümantasyonundaki tüm seçenekleri inceleyin.



📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
glenn-jocher

Yorumlar