YOLO11 so với YOLOv6-3.0: So sánh mô hình chi tiết
Việc lựa chọn đúng mô hình thị giác máy tính rất quan trọng để đạt được hiệu suất tối ưu trong các tác vụ phát hiện đối tượng. Ultralytics cung cấp một loạt các YOLO mô hình, mỗi mô hình có điểm mạnh riêng. Trang này cung cấp so sánh kỹ thuật giữa Ultralytics YOLO11 và YOLOv6-3.0, hai lựa chọn phổ biến để phát hiện đối tượng, tập trung vào kiến trúc, số liệu hiệu suất và ứng dụng lý tưởng của chúng.
Ultralytics YOLO11
Ultralytics YOLO11 là mô hình tiên tiến mới nhất trong YOLO loạt truyện, được sáng tác bởi Glenn Jocher và Jing Qiu từ Ultralytics , phát hành ngày 27/09/2024. Phiên bản này được xây dựng dựa trên các phiên bản trước để cung cấp khả năng phát hiện đối tượng tiên tiến, được thiết kế để nâng cao độ chính xác và hiệu quả trong nhiều tác vụ thị giác máy tính khác nhau, bao gồm phát hiện đối tượng, phân đoạn thể hiện, phân loại hình ảnh và ước tính tư thế.
YOLO11 giới thiệu những cải tiến về kiến trúc để dự đoán chính xác hơn và hiệu quả hơn. Đáng chú ý, YOLO11m đạt được Độ chính xác trung bình (mAP) cao hơn trên tập dữ liệu COCO với ít tham số hơn so với YOLOv8m . Hiệu quả này mở rộng đến nhiều nền tảng khác nhau, từ thiết bị biên đến hệ thống đám mây. Thiết kế được tối ưu hóa dẫn đến tốc độ xử lý nhanh hơn và giảm chi phí tính toán, giúp phù hợp với các ứng dụng thời gian thực và môi trường hạn chế tài nguyên. Để biết thêm chi tiết, hãy tham khảo YOLO11 tài liệu.
Điểm mạnh của YOLO11 :
- Độ chính xác vượt trội: Đạt được mAP cao hơn với ít tham số hơn, cải thiện độ chính xác phát hiện.
- Hiệu quả nâng cao: Cung cấp tốc độ xử lý nhanh hơn và giảm chi phí tính toán.
- Tính linh hoạt: Hỗ trợ nhiều tác vụ bao gồm phát hiện, phân đoạn, phân loại và ước tính tư thế.
- Khả năng tương thích đa nền tảng: Hoạt động tốt trên cả hệ thống biên và đám mây.
- Dễ sử dụng: Tích hợp liền mạch với Ultralytics HUB và Python bưu kiện.
Điểm yếu của YOLO11 :
- Mô hình mới: Là mô hình mới nhất, hỗ trợ cộng đồng và tài liệu vẫn đang phát triển so với các mô hình đã có từ lâu.
Các trường hợp sử dụng lý tưởng cho YOLO11 :
YOLO11 Độ chính xác và tốc độ cân bằng làm cho nó trở nên lý tưởng cho các ứng dụng đòi hỏi độ chính xác cao và hiệu suất thời gian thực, chẳng hạn như:
- Hệ thống hỗ trợ lái xe tiên tiến (ADAS) trong xe tự lái ( AI trong xe tự lái )
- Robot có độ chính xác cao trong sản xuất ( AI trong sản xuất )
- Hệ thống giám sát tinh vi để tăng cường an ninh ( tầm nhìn máy tính để phòng chống trộm cắp )
- Phân tích hình ảnh y tế để chẩn đoán chính xác ( AI trong chăm sóc sức khỏe )
- Phân tích thể thao thời gian thực ( khám phá các ứng dụng của thị giác máy tính trong thể thao )
YOLOv6-3.0
YOLOv6-3.0 là một khuôn khổ phát hiện đối tượng hiệu suất cao do Meituan phát triển và Chuyi Li, Lulu Li cùng những người khác biên soạn, được phát hành vào ngày 13-01-2023. Nó được thiết kế cho các ứng dụng công nghiệp đòi hỏi sự cân bằng giữa tốc độ và độ chính xác. YOLOv6-3.0 kết hợp các cải tiến về kiến trúc như mô-đun Bi-directional Concatenation (BiC) và chiến lược Anchor-Aided Training (AAT) để nâng cao hiệu suất mà không làm giảm đáng kể tốc độ.
YOLOv6-3.0 được biết đến với hiệu quả và tốc độ, cung cấp nhiều kích thước mô hình khác nhau (N, S, M, L) để đáp ứng các nhu cầu tính toán khác nhau. Thiết kế được tối ưu hóa và hỗ trợ lượng tử hóa của nó khiến nó đặc biệt phù hợp với các ứng dụng thời gian thực và triển khai trên các thiết bị biên. Thông tin chi tiết có thể được tìm thấy trong tài liệu YOLOv6 và kho lưu trữ GitHub của YOLOv6.
Điểm mạnh của YOLOv6-3.0:
- Tốc độ suy luận cao: Được tối ưu hóa cho hiệu suất thời gian thực, đạt FPS cao.
- Độ chính xác cân bằng: Cung cấp sự cân bằng tốt giữa độ chính xác và tốc độ.
- Hỗ trợ lượng tử hóa: Cung cấp lượng tử hóa INT8 để tăng tốc và hiệu quả hơn nữa.
- Tối ưu hóa thiết bị di động: Bao gồm các mô hình YOLOv6Lite được thiết kế riêng cho thiết bị di động và CPU triển khai.
- Mô hình đã được thiết lập: Được ghi chép đầy đủ với cộng đồng và cơ sở mã mạnh mẽ.
Điểm yếu của YOLOv6-3.0:
- Độ chính xác có thể thấp hơn: Có thể có độ chính xác thấp hơn một chút so với bản mới nhất YOLO các mô hình như YOLO11 trong một số tình huống phức tạp.
- Nguồn gốc phát triển: Được phát triển bên ngoài Ultralytics , mặc dù được tích hợp vào Ultralytics hệ sinh thái.
Các trường hợp sử dụng lý tưởng cho YOLOv6-3.0:
YOLOv6-3.0 rất phù hợp cho các ứng dụng đòi hỏi tốc độ và hiệu quả tối quan trọng:
- Phát hiện đối tượng theo thời gian thực trên các thiết bị biên ( edge ai )
- Tự động hóa công nghiệp đòi hỏi khả năng phát hiện nhanh và đáng tin cậy ( cải thiện sản xuất bằng thị giác máy tính )
- Hệ thống giám sát và an ninh nơi xử lý nhanh là rất quan trọng ( phá vỡ nguyên trạng giám sát bằng công nghệ AI tầm nhìn )
- Ứng dụng di động có hạn chế về tài nguyên ( triển khai ứng dụng thị giác máy tính trên thiết bị AI biên )
- Phân tích video thông lượng cao
| Người mẫu | kích cỡ (điểm ảnh) |
giá trị mAP 50-95 |
Tốc độ CPU ONNX (bệnh đa xơ cứng) |
Tốc độ T4 TensorRT10 (bệnh đa xơ cứng) |
tham số (Nam) |
Thất bại (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0 giây | 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 |
Người dùng quan tâm đến việc khám phá các mô hình khác cũng có thể cân nhắc Ultralytics YOLOv8 để cân bằng giữa hiệu suất và tính năng, YOLOv9 để cải thiện kiến trúc tiên tiến, YOLOv10 để có những tiến bộ mới nhất, YOLOv7 và YOLOv5 , mỗi loại đều có những điểm mạnh riêng biệt YOLO gia đình.
