YOLOv8 vs YOLO: Detaylı Teknik Karşılaştırma
Doğru nesne algılama modelini seçmek, bilgisayarla görme projeleri için kritik öneme sahiptir. Bu sayfa, Ultralytics YOLOv8 ve YOLO arasında, mimarilerini, performanslarını ve uygulamalarını analiz eden iki son teknoloji model arasında teknik bir karşılaştırma sunmaktadır.
Ultralytics YOLOv8
Ultralytics YOLOv8 nesne algılama ve örnek segmentasyonu ve poz tahmini gibi diğer görüş görevlerinde hız ve doğruluk dengesi ile bilinen YOLO serisinin en son yinelemesidir. Ultralytics 'ten Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından geliştirilen ve 2023-01-10 tarihinde piyasaya sürülen YOLOv8 , mimari iyileştirmeler ve kullanıcı dostu olmaya odaklanarak önceki YOLO sürümlerini temel alır. Dokümantasyonunda kullanım kolaylığı ve çok yönlülük vurgulanarak yeni başlayanlardan uzmanlara kadar geniş bir uygulama ve kullanıcı yelpazesi için uygun hale getirilmiştir.
Güçlü yönler:
- Performans: YOLOv8 , etkileyici çıkarım hızlarını korurken son teknoloji ürünü mAP'ye ulaşır. Farklı hesaplama ihtiyaçlarına uyacak şekilde çeşitli model boyutları (n, s, m, l, x) sunar.
- Çok yönlülük: YOLOv8 , nesne algılamanın ötesinde segmentasyon, sınıflandırma ve poz tahmini gibi çoklu görme görevlerini destekleyerek çeşitli bilgisayarla görme ihtiyaçları için birleşik bir çözüm sunar.
- Kullanım Kolaylığı: Ultralytics , eğitimi, dağıtımı ve Ultralytics HUB gibi platformlarla entegrasyonu basitleştiren kapsamlı belgeler ve araçlar sağlar.
- Topluluk Desteği: Büyük ve aktif bir açık kaynak topluluğu, sürekli iyileştirme ve geniş destek sağlar.
Zayıflıklar:
- Yoğun Kaynak Kullanımı: Daha büyük YOLOv8 modelleri, eğitim ve çıkarım için önemli hesaplama kaynakları gerektirir.
- Optimizasyon İhtiyaçları: Aşırı derecede kaynak kısıtlaması olan cihazlar için model budama gibi daha fazla optimizasyon gerekli olabilir.
Kullanım Örnekleri:
YOLOv8'in çok yönlülüğü, onu güvenlik sistemleri ve akıllı şehirlerdeki gerçek zamanlı video analizlerinden sağlık hizmetleri ve üretimdeki karmaşık görevlere kadar geniş bir uygulama yelpazesi için ideal hale getirir. Kullanım kolaylığı da onu hızlı prototipleme ve geliştirme için mükemmel kılıyor.
YOLOv8 hakkında daha fazla bilgi edinin
DAMO-YOLO
YOLO, Alibaba Group tarafından geliştirilen ve 2022-11-23 tarihinde ArXiv'de yayınlanan bir makalede tanıtılan bir nesne algılama modelidir. Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang ve Xiuyu Sun tarafından yazılan YOLO , yenilikçi teknikler kullanarak hızlı ve doğru bir dedektör oluşturmaya odaklanmaktadır. Bunlar arasında NAS tabanlı omurgalar, verimli bir RepGFPN ve ZeroHead'in yanı sıra AlignedOTA ve damıtma geliştirme gibi gelişmiş eğitim stratejileri yer alıyor. Resmi belgeler ve GitHub deposu, mimarisi ve uygulaması hakkında ayrıntılı bilgi sağlar.
Güçlü yönler:
- Yüksek Doğruluk: YOLO yüksek doğruluk için tasarlanmıştır, rekabetçi mAP skorları elde eder, özellikle hassas nesne algılama gerektiren senaryolarda mükemmeldir.
- Verimli Tasarım: ZeroHead gibi mimari yenilikler, doğruluk ile hesaplama verimliliğini dengeleyen modern bir modele katkıda bulunur.
- Gelişmiş Teknikler: Omurga tasarımı için Neural Architecture Search (NAS) ve optimize edilmiş eğitim için AlignedOTA gibi en yeni teknikleri içerir.
Zayıflıklar:
- Sınırlı Görev Çok Yönlülüğü: Öncelikle nesne algılamaya odaklanmıştır ve YOLOv8'in çoklu görev yeteneklerinden yoksundur.
- Dokümantasyon ve Topluluk: YOLOv8 ile karşılaştırıldığında, YOLO daha küçük bir topluluğa ve daha az kapsamlı belgelere sahip olabilir, bu da potansiyel olarak yeni kullanıcılar veya geniş destek arayanlar için zorluklar yaratabilir.
- Çıkarım Hızı: Verimli olsa da, YOLOv8 ile standart kıyaslamalar üzerinde doğrudan hız karşılaştırmaları daha az mevcuttur ve hız, belirli uygulamalara ve donanıma göre değişebilir.
Kullanım Örnekleri:
YOLO , otonom sürüş, yüksek hassasiyetli endüstriyel denetim ve gelişmiş video gözetim sistemleri gibi yüksek algılama hassasiyetinin çok önemli olduğu uygulamalar için çok uygundur. Doğruluk ve verimliliğe odaklanması, onu ayrıntılı ve güvenilir nesne algılamanın çok önemli olduğu senaryolar için güçlü bir rakip haline getirmektedir.
YOLO hakkında daha fazla bilgi edinin
Performans Karşılaştırma Tablosu
| Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
|---|---|---|---|---|---|---|
| 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 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
Sonuç
Hem YOLOv8 hem de YOLO güçlü nesne algılama modelleridir. YOLOv8 çok yönlülüğü, kullanım kolaylığı ve güçlü topluluğu ile öne çıkmaktadır ve bu da onu çok çeşitli görevler ve geliştirme senaryoları için uygun hale getirmektedir. YOLO doğruluk ve verimli tasarım açısından üstündür, bu da onu hassas nesne algılama gerektiren uygulamalar için güçlü bir seçim haline getirir. Diğer modellerle ilgilenen kullanıcılar, özel ihtiyaçlarına ve önceliklerine bağlı olarak YOLOv7, YOLOv9 veya YOLOX 'u da düşünebilirler.
