Model Karşılaştırması: Nesne Algılama için YOLOv8 vs YOLOX
Doğru nesne algılama modelini seçmek, çeşitli bilgisayarla görme uygulamaları için çok önemlidir. Bu sayfa, nesne algılama için iki popüler ve verimli model olan Ultralytics YOLOv8 ve YOLOX arasında ayrıntılı bir teknik karşılaştırma sunmaktadır. Bilinçli bir karar vermenize yardımcı olmak için mimari nüanslarını, performans kıyaslamalarını ve farklı kullanım durumlarına uygunluklarını inceleyeceğiz.
Ultralytics YOLOv8: Verimlilik ve Çok Yönlülük
Ultralytics YOLOv8 nesne algılama ve diğer görme görevlerindeki hızı ve doğruluğu ile bilinen YOLO serisinin son teknoloji ürünü bir modelidir. Glenn Jocher, Ayush Chaurasia ve Jing Qiu tarafından Ultralytics2023-01-10 tarihinde piyasaya sürülen YOLOv8 , verimlilik ve kullanım kolaylığına odaklanan mimari iyileştirmelerle önceki YOLO sürümlerinin üzerine inşa edilmiştir. Nesne algılama, segmentasyon, poz tahmini ve sınıflandırma görevlerinde iyi performans göstererek çok yönlü olacak şekilde tasarlanmıştır.
Mimari ve Temel Özellikler:
YOLOv8 , mimariyi basitleştiren ve genelleştirmeyi geliştiren çapasız bir yaklaşım benimser. Temel özellikler şunlardır:
- Kolaylaştırılmış Omurga: Verimli özellik çıkarma.
- Ankrajsız Algılama Başlığı: Hızı ve basitliği artırır.
- Bileşik Kayıp Fonksiyonu: Doğruluk ve sağlam eğitim için optimize edilmiştir.
Güçlü yönler:
- Mükemmel Performans: YOLOv8 , hız ve doğruluk arasında güçlü bir denge kurarak çok çeşitli uygulamalar için uygun hale gelir. Aşağıdaki karşılaştırma tablosunda performans ölçümlerine bakın.
- Kullanıcı Dostu: Ultralytics , açık belgeler ve kullanıcı dostu bir Python paketi ile kullanım kolaylığını vurgular.
- Çoklu Görev Çok Yönlülüğü: Nesne algılama, örnek segmentasyonu, poz tahmini ve görüntü sınıflandırmasını destekler.
- Ekosistem Entegrasyonu: Model yönetimi ve dağıtımı için Ultralytics HUB ile sorunsuz bir şekilde entegre olur ve MLOps iş akışlarını kolaylaştırır.
Zayıflıklar:
- Çok verimli olsa da, aşırı derecede kaynak kısıtlaması olan cihazlar için YOLOX-Nano gibi daha küçük modeller daha küçük model boyutları sunabilir.
İdeal Kullanım Durumları:
YOLOv8'in çok yönlülüğü, onu yüksek doğruluk ve gerçek zamanlı performans dengesi gerektiren uygulamalar için ideal hale getirir:
- Gerçek zamanlı nesne algılama: Güvenlik alarm sistemleri, robotik ve otonom araçlar gibi uygulamalar.
- Çok Yönlü Vision AI Çözümleri: Tarım, üretim ve sağlık hizmetleri gibi sektörlerde.
- Hızlı Prototipleme ve Dağıtım: Ultralytics HUB dahil olmak üzere kullanım kolaylığı ve kapsamlı araçları sayesinde.
YOLOv8 hakkında daha fazla bilgi edinin
YOLOX: Yüksek Performans ve Sadelik
2021-07-18 tarihinde Megvii 'den Zheng Ge, Songtao Liu, Feng Wang, Zeming Li ve Jian Sun tarafından tanıtılan YOLO , basitleştirilmiş bir tasarımla yüksek performansı hedefleyen bir başka çapasız YOLO modelidir. YOLOX nesne algılamaya odaklanır ve araştırma ile endüstriyel uygulamalar arasındaki boşluğu doldurmak için tasarlanmıştır.
Mimari ve Temel Özellikler:
YOLOX ayrıca çapasız bir yaklaşım benimseyerek eğitim ve çıkarım sürecini basitleştirir. Temel mimari bileşenler şunları içerir:
- Ayrılmış Kafa: Daha iyi performans için sınıflandırma ve yerelleştirme görevlerini ayırır.
- SimOTA Etiket Ataması: Optimize edilmiş eğitim için gelişmiş etiket atama stratejisi.
- Güçlü Veri Artırımı: Sağlamlığı artırmak için MixUp ve Mosaic gibi teknikler kullanılır.
Güçlü yönler:
- Yüksek Doğruluk: YOLOX, özellikle daha küçük model boyutlarında, genellikle diğer YOLO modellerini aşan rekabetçi doğruluk elde eder. Ayrıntılı ölçümler için karşılaştırma tablosuna bakın.
- Verimli Çıkarım: Gerçek zamanlı uygulamalar için uygun, yüksek çıkarım hızları sunar.
- Esnek Omurgalar: Darknet53 ve Nano gibi hafif seçenekler de dahil olmak üzere çeşitli omurgaları destekleyerek kaynak kısıtlamalarına göre özelleştirmeye olanak tanır.
- Açık Kaynak: Megvii tarafından tamamen açık kaynaklı olup, topluluk katkılarını ve kullanımını teşvik etmektedir.
Zayıflıklar:
- Topluluk ve Ekosistem: Açık kaynaklı olmasına rağmen, Ultralytics HUB gibi platformlarla sorunsuz entegrasyon gibi Ultralytics YOLOv8 ile aynı düzeyde ekosistem entegrasyonuna ve araçlara sahip olmayabilir.
İdeal Kullanım Durumları:
YOLOX, yüksek doğruluk ve verimli çıkarım gerektiren uygulamalar için çok uygundur:
- Yüksek Performanslı Nesne Algılama: Nesne algılama görevlerinde üst düzey doğruluk gerektiren senaryolar.
- Uçta Dağıtım: YOLOX-Nano ve YOLOX-Tiny gibi daha küçük varyantlar, sınırlı hesaplama kaynaklarına sahip uç cihazlarda dağıtım için mükemmeldir.
- Araştırma ve Geliştirme: Net ve modüler tasarımı sayesinde, nesne algılama alanında araştırma ve daha fazla geliştirme için iyi bir seçimdir.
YOLOX hakkında daha fazla bilgi edinin
Performans Karşılaştırması
Aşağıda YOLOv8 ve YOLOX modellerinin COCO veri kümesi üzerindeki performans ölçütlerine göre karşılaştırması yer almaktadır.
| 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 |
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
Sonuç
Hem YOLOv8 hem de YOLOX, nesne algılama için her biri güçlü yönlere sahip mükemmel seçeneklerdir. YOLOv8 çok yönlülüğü, kullanım kolaylığı ve güçlü ekosistemi ile öne çıkmaktadır ve bu da onu çeşitli görüntü görevleri ve dağıtım senaryoları için harika bir çok yönlü model haline getirmektedir. YOLOX, özellikle yüksek performans ve kaynak kısıtlamalarına uyarlanabilirlik gerektiren senaryolarda doğruluk ve verimlilik açısından üstündür.
Diğer modelleri keşfetmek isteyen kullanıcılar için Ultralytics ayrıca aşağıdakiler de dahil olmak üzere bir dizi son teknoloji model sunmaktadır YOLOv5, YOLOv7, YOLOv9, YOLOv10 ve en yenisi YOLO11 Her biri özel ihtiyaçlar ve uygulamalar için tasarlanmış modeller.
