Model Karşılaştırması: Nesne Algılama için YOLOv7 vs YOLOv8
Bilgisayarla görme görevlerinde optimum performans elde etmek için doğru nesne algılama modelini seçmek çok önemlidir. Bu sayfa, alandaki iki popüler model olan YOLOv7 ve Ultralytics YOLOv8 arasında teknik bir karşılaştırma sunmaktadır. Model seçim sürecinize rehberlik etmek için mimari nüanslarını, performans kıyaslamalarını ve ideal uygulamalarını analiz edeceğiz.
YOLOv7: Yüksek Performans ve Verimlilik
Tayvan, Academia Sinica, Bilgi Bilimleri Enstitüsü'nden Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao tarafından 2022-07-06 tarihinde tanıtılan YOLOv7, yüksek hızlı ve doğru nesne tespiti için tasarlanmıştır. ArXiv makalesinde ayrıntılı olarak açıklanan YOLOv7, çıkarım maliyetini artırmadan eğitim verimliliğini ve algılama doğruluğunu artıran "eğitilebilir serbest çanta" üzerine odaklanmaktadır.
Güçlü yönler:
- Yüksek Doğruluk ve Hız: YOLOv7, COCO veri kümesindeki kıyaslamalarında da gösterildiği gibi, en son teknoloji ürünü gerçek zamanlı nesne algılama performansına ulaşır.
- Verimli Mimari: Eğitim ve çıkarım verimliliğini artırmak için model yeniden parametrelendirme ve dinamik etiket atama gibi tekniklerden yararlanır.
- Esneklik: Farklı hesaplama kaynakları ve doğruluk ihtiyaçlarını karşılamak için çeşitli model yapılandırmaları (YOLOv7, YOLOv7-X, YOLOv7-W6, YOLOv7-E6, YOLOv7-D6, YOLOv7-E6E) sunar.
Zayıflıklar:
- Karmaşıklık: Mimari ve eğitim süreci, daha basit modellere kıyasla daha karmaşık olabilir ve potansiyel olarak ince ayar ve optimizasyon için daha fazla uzmanlık gerektirir.
- Kaynak Yoğun: Daha büyük YOLOv7 modelleri, eğitim ve dağıtım için önemli hesaplama kaynakları gerektirir ve bu da kaynak kısıtlı ortamlarda kullanımlarını sınırlar.
İdeal Kullanım Durumları:
YOLOv7, üst düzey gerçek zamanlı nesne algılama gerektiren uygulamalar için çok uygundur:
- Yüksek doğruluk ve hız gerektiren gelişmiş video gözetim sistemleri.
- Hassas ve hızlı nesne tanımanın kritik öneme sahip olduğu otonom sürüş ve robotik.
- Yüksek verimle kusur tespiti için endüstriyel denetim.
YOLOv7 hakkında daha fazla bilgi edinin
YOLOv8: Çok Yönlülük ve Kullanıcı Dostluğu
Ultralytics YOLOv8Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından Ultralytics'te 2023-01-10 tarihinde yayınlanan YOLO serisinin en ileri noktasını temsil etmektedir. Özel bir arXiv makalesinin eşlik etmediği YOLOv8 , nesne algılama, segmentasyon ve poz tahmini dahil olmak üzere bir dizi görme görevinde kullanım kolaylığı, esneklik ve güçlü performansı vurgulamaktadır.
Güçlü yönler:
- Dengeli Performans: YOLOv8 , doğruluk ve hız arasında güçlü bir denge sunarak çeşitli uygulamalar için çok yönlü olmasını sağlar.
- Kullanıcı Dostu Ekosistem: Ultralytics , kapsamlı belgeler, önceden eğitilmiş modeller ve Ultralytics HUB ile sorunsuz entegrasyon sağlayarak eğitimden dağıtıma kadar iş akışlarını basitleştirir.
- Çoklu Görev Yetenekleri: Nesne algılama, örnek segmentasyonu, poz tahmini, yönlendirilmiş nesne algılama ve sınıflandırmayı destekleyerek çeşitli bilgisayarla görme ihtiyaçları için birleşik bir çözüm sunar.
- Aktif Geliştirme ve Topluluk Desteği: Ultralytics projeleri etrafında sürekli güncellemelerden ve büyük, aktif bir açık kaynak topluluğundan yararlanır.
Zayıflıklar:
- Biraz Daha Düşük Tepe Performansı: Belirli kıyaslamalarda, özellikle saf nesne algılama hızı için, YOLOv7 bazı yapılandırmalarda YOLOv8 'den biraz daha iyi performans gösterebilir.
- Model Boyutu: Verimli olsa da, model boyutları, aşağıdaki gibi son derece uzmanlaşmış modellere kıyasla son derece sınırlı kaynaklara sahip uç cihazlar için hala önemli olabilir YOLOv5 Nano.
İdeal Kullanım Durumları:
YOLOv8 son derece çok yönlüdür ve aşağıdakiler de dahil olmak üzere geniş bir uygulama yelpazesine uyar:
- Güvenlik alarm sistemleri ve robotik gibi hız ve doğruluk dengesi gerektiren gerçek zamanlı uygulamalar.
- Tarım, üretim ve sağlık hizmetleri gibi sektörlerde çok yönlü görsel yapay zeka çözümleri.
- Ultralytics ekosistemi içinde kullanım kolaylığı ve kapsamlı araçlar sayesinde hızlı prototipleme ve dağıtım.
YOLOv8 hakkında daha fazla bilgi edinin
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Diğer modelleri keşfetmek isteyen kullanıcılar için Ultralytics , verimli YOLO modelleri de dahil olmak üzere bir dizi YOLO modeli sunmaktadır YOLOv5ve çok yönlü YOLOv6 ve YOLOv9. Ayrıca, örnek segmentasyonu gerektiren görevler için YOLOv8'i göz önünde bulundurun.
Sonuç olarak, hem YOLOv7 hem de YOLOv8 güçlü nesne algılama modelleridir. YOLOv7, en yüksek gerçek zamanlı algılama performansı gerektiren senaryolarda üstünlük sağlarken, YOLOv8 çeşitli görüntü görevleri ve dağıtım ortamlarında daha çok yönlü ve kullanıcı dostu bir deneyim sunar. Seçiminiz, doğruluk, hız, kullanım kolaylığı ve mevcut kaynaklar arasındaki dengeyi göz önünde bulundurarak uygulamanızın özel ihtiyaçlarına göre yönlendirilmelidir.
