YOLOv8 vs YOLOv10: Kapsamlı Bir Teknik Karşılaştırma

Doğru nesne algılama modelinin seçilmesi, herhangi bir bilgisayarla görme projesinin başarısı için çok önemlidir. Bu kılavuz, aşağıdakiler arasında ayrıntılı bir teknik karşılaştırma sağlar Ultralytics YOLOv8 ve YOLOv10mimari yeniliklerini, performans ölçümlerini ve ideal kullanım durumlarını analiz ediyor. YOLOv10 yeni verimlilik optimizasyonları sunarken, Ultralytics YOLOv8 sağlam ekosistemi, benzersiz çok yönlülüğü ve çeşitli dağıtım senaryolarında kanıtlanmış güvenilirliği nedeniyle baskın bir güç olmaya devam etmektedir.

Ultralytics YOLOv8: Çok Yönlü Standart

Ocak 2023'te piyasaya sürüldü, Ultralytics YOLOv8YOLO serisinde ileriye doğru önemli bir sıçramayı temsil eder, sadece bir model olarak değil, vizyon yapay zekası için kapsamlı bir çerçeve olarak tasarlanmıştır. Kullanılabilirlik ve esnekliğe öncelik vererek hobicilerden kurumsal mühendislere kadar çeşitli geliştiricilerin tercihi haline geliyor.

Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
Organizasyon:Ultralytics
Tarih: 2023-01-10
GitHub:ultralytics
Dokümanlar:YOLOv8 Dokümantasyonu

Mimari ve Yetenekler

YOLOv8 , manuel çapa kutusu belirleme ihtiyacını ortadan kaldırarak eğitim sürecini basitleştiren çapasız bir algılama mekanizması kullanır. Bu yaklaşım, farklı nesne şekilleri arasında genelleştirmeyi geliştirir. Mimarisi, ayrılmış bir kafaya ve hesaplama maliyetini yüksek doğrulukla dengeleyen son teknoloji ürünü bir backbone sahiptir.

YOLOv8 'in belirleyici özelliklerinden biri de doğal çoklu görev desteğidir. Birçok özel modelin aksine, YOLOv8 aşağıdakiler için kullanıma hazır yetenekler sunar:

Temel Avantajlar

YOLOv8 'i çevreleyen bakımlı ekosistem büyük bir avantajdır. Model eğitimi ve yönetimi için Ultralytics HUB ile sorunsuz bir şekilde entegre olur ve ONNX, TensorRT ve CoreML gibi formatlara kapsamlı dışa aktarma seçenekleri sunar. Ayrıca, eğitim ve çıkarım sırasındaki bellek gereksinimleri, transformatör tabanlı mimarilerden önemli ölçüde daha düşüktür ve standart donanımda verimli bir şekilde çalışmasını sağlar.

YOLOv8 hakkında daha fazla bilgi edinin

YOLOv10: Verimlilik Sınırlarını Zorlamak

YOLOv10Tsinghua Üniversitesi'ndeki araştırmacılar tarafından geliştirilen bu sistem, ağırlıklı olarak işlem sonrası süreçlerle ilgili darboğazları ortadan kaldırarak çıkarım hattını optimize etmeye odaklanıyor.

Yazarlar: Ao Wang, Hui Chen, Lihao Liu, ve diğerleri.
Organizasyon:Tsinghua Üniversitesi
Tarih: 2024-05-23
Arxiv:arXiv:2405.14458
GitHub:THU-MIG/yolov10
Dokümanlar:YOLOv10 Dokümantasyonu

Mimari Yenilikler

YOLOv10 'un öne çıkan özelliği NMS eğitim stratejisidir. Geleneksel nesne dedektörleri, çıkarım sırasında örtüşen sınırlayıcı kutuları filtrelemek için Maksimum Olmayan Bastırma (NMS) kullanır ve bu da gecikmeye neden olabilir. YOLOv10 , eğitim sırasında tutarlı ikili atamalar kullanır; zengin denetim sinyalleri için bire-çok denetimi verimli çıkarım için bire-bir eşleştirme ile birleştirir. Bu, modelin NMS'ye ihtiyaç duymadan kesin sınırlayıcı kutuları tahmin etmesini sağlar ve böylece uçtan uca gecikmeyi azaltır.

Mimari ayrıca, hesaplama fazlalığını (FLOP'lar) ve parametre sayısını azaltmak için hafif sınıflandırma kafaları ve uzamsal kanal ayrıştırılmış alt örnekleme içeren bütünsel bir verimlilik-doğruluk tasarımı içerir.

YOLOv10 hakkında daha fazla bilgi edinin

Performans Ölçütleri ve Analizi

Bu iki modeli karşılaştırırken, sadece saf doğruluk rakamlarının ötesine bakmak çok önemlidir. YOLOv10 parametreler açısından etkileyici bir verimlilik gösterirken, YOLOv8 daha geniş bir donanım ve görev yelpazesinde sağlam performans sağlar.

Karşılaştırmalı Tablo

Aşağıdaki tablo COCO veri setindeki performansı vurgulamaktadır. YOLOv10 bazı durumlarda daha az parametre ile daha yüksek mAP elde etmektedir, ancak YOLOv8 özellikle standart CPU ve GPU kıyaslamalarında çıkarım hızında oldukça rekabetçi olmaya devam etmektedir.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(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

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Eleştirel Analiz

Performans Dengesi: YOLOv8 , hız ve doğruluk arasında mükemmel bir denge sağlar. CPU ( ONNX aracılığıyla) üzerindeki hızları iyi belgelenmiş ve optimize edilmiştir, bu da onu özel GPU donanımından yoksun dağıtımlar için güvenilir bir seçim haline getirir.
Eğitim Verimliliği: Ultralytics modelleri verimli eğitim süreçleriyle bilinir. Kullanıcılar, YOLOv8'in optimize edilmiş hiperparametreleri ve önceden eğitilmiş hazır ağırlıkları ile genellikle daha hızlı yakınsama elde edebilirler.
Ekosistem Olgunluğu: YOLOv10 teorik verimlilik kazanımları sunarken, YOLOv8 Ultralytics ekosisteminde yıllarca süren iyileştirmelerden faydalanmaktadır. Bu, veri artırımı için kapsamlı destek, aktif topluluk hata ayıklama ve aşağıdaki gibi araçlarla entegrasyonları içerir Weights & Biases ve Comet.

Çok Yönlülük Önemlidir

Projeniz, poz tahmini yoluyla vücut dilini anlamak veya YOLOv8 yoluyla hassas sınır tanımlaması gibi sınırlayıcı kutulardan daha fazlasını gerektiriyorsa, YOLOv10 şu anda öncelikle nesne algılama konusunda uzmanlaştığı için YOLOv10 açık ara önde.

İdeal Kullanım Senaryoları

Ultralytics YOLOv8 Ne Zaman Seçilmeli

YOLOv8 , çok yönlülüğü ve kullanım kolaylığı nedeniyle gerçek dünyadaki uygulamaların büyük çoğunluğu için önerilen seçimdir.

Çok Yönlü Yapay Zeka Çözümleri: Algılamanın yanı sıra örnek segmentasyonu veya sınıflandırma gerektiren projeler için mükemmeldir.
Kurumsal Dağıtım: Net lisanslama seçenekleri ve mevcut MLOps işlem hatlarına entegrasyon ile istikrarlı, desteklenen bir çerçeveye ihtiyaç duyan işletmeler için idealdir.
Akıllı Perakende: Birden fazla görevi yerine getirme yeteneği, raf izleme ve müşteri davranış analizi gibi karmaşık perakende analitiği için uygun hale getirir.
Hızlı Prototip Oluşturma: Basit Python API'si, geliştiricilerin dakikalar içinde konseptten eğitilmiş modele geçmelerini sağlar.

YOLOv10 Ne Zaman Seçilmeli

YOLOv10 , donanım kısıtlamalarının aşırı olduğu belirli nişler için en iyi şekilde ayrılmıştır.

Gecikme Kritik Uç Yapay Zeka: Mikro denetleyiciler veya eski gömülü sistemler üzerinde, çıkarım gecikmesinin her milisaniyesinin önemli olduğu uygulamalar.
Yüksek Verimli Video İşleme: Trafik yönetimi gibi, kare başına işlem sonrası sürenin azaltılmasının kümülatif olarak önemli hesaplama kaynaklarından tasarruf sağlayabileceği senaryolar.

Kod Uygulaması

Ultralytics ekosisteminin ayırt edici özelliklerinden biri kullanım kolaylığı. Her iki modele de birleştirilmiş ultralytics Python paketi, tutarlı bir geliştirici deneyimi sağlar.

Aşağıda çıkarımın nasıl çalıştırılacağına dair bir örnek verilmiştir YOLOv8API'nin basitliğini göstermektedir.

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Perform object detection on a local image
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Benzer şekilde, Ultralytics daha geniş bir ekosistemi desteklediğinden, kütüphane içinde desteklenmeleri koşuluyla, diğer mimarileri denemek için ağırlıkları kolayca değiştirebilirsiniz.

Sorunsuz İhracat

Ultralytics , eğitilmiş modellerinizi dağıtım dostu formatlara aktarmak için tek satırlık bir komut sağlar. Bu, üretim için optimize edilmiş modeller oluşturmak için YOLOv8 ile kusursuz bir şekilde çalışır:

# Export YOLOv8 model to ONNX format
model.export(format="onnx")

Sonuç

Hem YOLOv8 hem de YOLOv10 bilgisayarla görme mühendisliğinin etkileyici başarılarıdır. YOLOv10 , NMS tasarımıyla mimari verimlilikte sınırları zorlayarak son derece uzmanlaşmış, gecikmeye duyarlı algılama görevleri için güçlü bir rakip haline geliyor.

Ancak , sağlam, çok yönlü ve geleceğe dönük geliştirme için, Ultralytics YOLOv8 üstün bir seçim olmaya devam etmektedir. Sınıflandırma, segmentasyon ve poz tahminini tek bir çerçevede ele alma yeteneği benzersiz bir değer sağlar. Kapsamlı dokümantasyon, aktif topluluk desteği ve Ultralytics HUB ile sorunsuz entegrasyon ile birleştiğinde, YOLOv8 geliştiricilerin kapsamlı yapay zeka çözümlerini daha hızlı ve daha güvenilir bir şekilde oluşturmalarını sağlar.

Performansta mutlak en yeniyi arayanlar için ayrıca şunları keşfetmenizi öneririz YOLO11YOLOv8 'in güçlü yönlerini temel alarak daha da yüksek doğruluk ve hız sunuyor.