YOLO11 so với YOLOX: So sánh kỹ thuật toàn diện

Việc lựa chọn mô hình phát hiện đối tượng tối ưu là một quyết định then chốt đối với các nhà phát triển và nhà nghiên cứu, nhằm cân bằng giữa độ chính xác, tốc độ suy luận và khả năng triển khai dễ dàng. Phân tích kỹ thuật này cung cấp so sánh chuyên sâu giữa Ultralytics YOLO11 , mô hình AI thị giác tiên tiến nhất, và YOLOX , một bộ phát hiện không cần neo tiên phong của Megvii. Mặc dù YOLOX đã giới thiệu những cải tiến đáng kể vào năm 2021, YOLO11 đại diện cho thế hệ tiếp theo của công nghệ thị giác máy tính, mang lại tính linh hoạt cao hơn, số liệu hiệu suất vượt trội và hệ sinh thái phát triển thống nhất.

Ultralytics YOLO11 : Tiêu chuẩn mới trong AI thị giác

YOLO11 là mẫu flagship mới nhất trong dòng sản phẩm nổi tiếng YOLO loạt phim, ra mắt bởi Ultralytics để định nghĩa lại những gì có thể thực hiện được trong thị giác máy tính thời gian thực. Dựa trên di sản của những người tiền nhiệm, YOLO11 giới thiệu những cải tiến về kiến trúc giúp tăng cường đáng kể khả năng trích xuất tính năng và hiệu quả xử lý.

Tác giả: Glenn Jocher, Jing Qiu
Tổ chức: Ultralytics
Ngày: 2024-09-27
GitHub: https://github.com/ ultralytics / ultralytics
Tài liệu: https://docs. ultralytics .com/models/ yolo11 /

Kiến trúc và Khả năng cốt lõi

YOLO11 sử dụng kiến trúc tiên tiến, không có điểm neo, tối ưu hóa sự cân bằng giữa chi phí tính toán và độ chính xác phát hiện. Không giống như các mô hình truyền thống chỉ dựa vào hồi quy hộp giới hạn, YOLO11 là một nền tảng đa tác vụ . Nó hỗ trợ sẵn một loạt các tác vụ thị giác bao gồm phát hiện đối tượng , phân đoạn thực thể , ước tính tư thế , phân loại hình ảnh và phát hiện hộp giới hạn định hướng (OBB) .

API hợp nhất cho tất cả các tác vụ

YOLO11 đơn giản hóa quy trình phát triển bằng cách sử dụng một Python Giao diện cho tất cả các tác vụ được hỗ trợ. Việc chuyển từ phát hiện sang phân đoạn cũng đơn giản như tải một tệp trọng số mô hình khác (ví dụ: yolo11n-seg.pt).

Ưu điểm chính

Hiệu suất hiện đại: YOLO11 đạt được điểm mAP cao hơn trên COCO so sánh với các phiên bản trước và đối thủ cạnh tranh, sử dụng ít tham số hơn để thực hiện việc này.
Tính linh hoạt rộng rãi: Khả năng thực hiện phân đoạn, phân loại và ước tính tư thế trong cùng một cơ sở mã giúp loại bỏ nhu cầu phải học nhiều khuôn khổ.
Tính linh hoạt khi triển khai: Mô hình xuất liền mạch sang các định dạng như ONNX , TensorRT , CoreML , Và TFLite , đảm bảo khả năng tương thích với nhiều loại phần cứng khác nhau, từ thiết bị biên đến GPU đám mây.
Thiết kế lấy người dùng làm trung tâm: Tập trung vào tính dễ sử dụng , các nhà phát triển có thể đào tạo, xác thực và triển khai các mô hình với mã tối thiểu.

Tìm hiểu thêm về YOLO11

YOLOX: Người tiên phong không cần neo

Được Megvii phát hành vào năm 2021, YOLOX là một bước đột phá trong lĩnh vực phát hiện đối tượng. Nó khác biệt so với các phương pháp tiếp cận dựa trên neo phổ biến vào thời điểm đó (như YOLOv4 và YOLOv5 ) bằng cách áp dụng cơ chế không có mỏ neo và cấu trúc đầu tách rời.

Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, và Jian Sun
Tổ chức: Megvii
Date: 2021-07-18
Arxiv: https://arxiv.org/abs/2107.08430
GitHub: https://github.com/Megvii-BaseDetection/YOLOX
Tài liệu: https://yolox.readthedocs.io/en/latest/

Điểm nổi bật về kiến trúc

YOLOX nổi bật với đầu phân tách , tách biệt các tác vụ phân loại và hồi quy thành các nhánh khác nhau. Thiết kế này, kết hợp với chiến lược gán nhãn SimOTA , cho phép đạt được hiệu suất mạnh mẽ mà không cần phải điều chỉnh thủ công các siêu tham số hộp neo.

Điểm mạnh và hạn chế

Thiết kế không có điểm neo: Bằng cách loại bỏ điểm neo, YOLOX đã đơn giản hóa quy trình đào tạo và cải thiện khả năng khái quát hóa trên nhiều hình dạng đối tượng khác nhau.
Đường cơ sở vững chắc: Đây vẫn là điểm tham chiếu có giá trị cho nghiên cứu về các phương pháp phát hiện không có mỏ neo.
Phạm vi hạn chế: Không giống như YOLO11 YOLOX chủ yếu là một trình phát hiện đối tượng và thiếu hỗ trợ gốc cho các tác vụ hạ nguồn phức tạp như phân đoạn hoặc ước tính tư thế.
Phân mảnh hệ sinh thái: Mặc dù là mã nguồn mở, nhưng nó thiếu công cụ thống nhất, được bảo trì tích cực như trong hệ sinh thái Ultralytics , thường đòi hỏi nhiều nỗ lực thủ công hơn để tích hợp và triển khai.

Tìm hiểu thêm về YOLOX

Phân tích hiệu suất

Bảng sau đây trình bày sự so sánh trực tiếp các số liệu hiệu suất chính trên COCO tập dữ liệu. YOLO11 thể hiện lợi thế rõ ràng về hiệu quả, mang lại độ chính xác cao hơn đáng kể ( mAP ) với yêu cầu tính toán tương đương hoặc giảm bớt.

Mô hình	Kích thước ^(pixels)	mAP ^{giá trị 50-95}	Tốc độ ^{CPU ONNX (ms)}	Tốc độ ^{T4 TensorRT10 (ms)}	Tham số ^(M)	FLOPs ^(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

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

Phân tích số liệu

Độ chính xác ( mAP ): YOLO11 vượt trội hơn YOLOX trên mọi thang đo mô hình. Ví dụ, YOLO11s đạt 47,0 mAP , vượt trội hơn YOLOX-m (46,9 mAP ) mặc dù YOLOX-m là lớp mô hình lớn hơn với FLOPs gần gấp 3 lần.
Tốc độ suy luận: YOLO11 được tối ưu hóa cho khả năng tăng tốc phần cứng hiện đại. Trên T4 GPU khi sử dụng TensorRT , YOLO11n có tốc độ ấn tượng là 1,5 ms , lý tưởng cho việc suy luận thời gian thực tốc độ cao.
Hiệu quả: YOLO11m đạt độ chính xác cao là 51,5 mAP chỉ với 20,1 triệu tham số. Ngược lại, mô hình YOLOX-x lớn nhất cần 99,1 triệu tham số để đạt được mức thấp hơn 51,1 mAP , làm nổi bật sự vượt trội về kiến trúc của YOLO11 trong hiệu quả tham số .

Kỹ thuật chuyên sâu

Phương pháp đào tạo và hệ sinh thái

Một trong những khác biệt quan trọng nhất nằm ở kinh nghiệm đào tạo và phát triển. Ultralytics ưu tiên trải nghiệm người dùng hợp lý , cung cấp hệ sinh thái toàn diện giúp đơn giản hóa mọi giai đoạn của vòng đời học máy.

Dễ sử dụng: YOLO11 có thể được đào tạo bằng một vài dòng mã bằng cách sử dụng ultralytics Python gói hoặc giao diện dòng lệnh mạnh mẽ ( CLI ). Khả năng truy cập này trái ngược với YOLOX, thường yêu cầu sao chép kho lưu trữ và thiết lập cấu hình phức tạp.
Hiệu quả đào tạo: Ultralytics cung cấp các trọng số được đào tạo trước chất lượng cao giúp tăng tốc quá trình học chuyển giao . Quy trình đào tạo được tối ưu hóa cao, hỗ trợ các tính năng như tự động điều chỉnh kích thước lô và đa GPU đào tạo phân tán ngay lập tức.
Sử dụng bộ nhớ: YOLO11 Các mô hình được thiết kế để sử dụng bộ nhớ hiệu quả trong cả quá trình đào tạo và suy luận. Đây là một lợi thế quan trọng so với các kiến trúc cũ và các mô hình dựa trên bộ biến đổi nặng, cho phép YOLO11 để chạy trên phần cứng cấp tiêu dùng và các thiết bị biên nơi CUDA bộ nhớ bị hạn chế.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

Tính linh hoạt và ứng dụng thực tế

Trong khi YOLOX là một máy dò vật thể chuyên dụng thì YOLO11 đóng vai trò là một nền tảng tầm nhìn toàn diện .

Khả năng Đa phương thức: Các nhà phát triển có thể giải quyết các vấn đề phức tạp bằng cách kết hợp các tác vụ. Ví dụ, một ứng dụng robot có thể sử dụng tính năng phát hiện vật thể để tìm kiếm và ước tính tư thế để xác định hướng cầm nắm của vật thể đó - tất cả đều nằm trong một ứng dụng duy nhất. YOLO11 khung.
Hệ sinh thái được duy trì tốt: Ultralytics Các mô hình được hưởng lợi từ một cộng đồng năng động và cập nhật thường xuyên. Các tính năng như Ultralytics HUB hỗ trợ quản lý dữ liệu, đào tạo và triển khai mô hình, cung cấp mức độ hỗ trợ mà các dự án nguồn mở phân mảnh không thể sánh kịp.

Các trường hợp sử dụng lý tưởng

Khi nào nên chọn Ultralytics YOLO11

YOLO11 là lựa chọn được khuyến nghị cho phần lớn các ứng dụng thương mại và nghiên cứu do hiệu suất cân bằng và hỗ trợ hệ sinh thái.

Trí tuệ nhân tạo biên thời gian thực: Độ trễ thấp và hiệu quả cao khiến nó trở nên hoàn hảo để triển khai trên các thiết bị như NVIDIA Jetson, Raspberry Pi hoặc điện thoại di động.
Hệ thống thị giác phức tạp: Các dự án yêu cầu phân đoạn, theo dõi hoặc ước tính tư thế cùng với phát hiện sẽ được hưởng lợi từ khuôn khổ thống nhất.
Giải pháp doanh nghiệp: Độ tin cậy, tài liệu đầy đủ và bảo trì tích cực đảm bảo nền tảng ổn định cho phần mềm cấp sản xuất.

Khi nào nên cân nhắc YOLOX

YOLOX vẫn có liên quan trong các tình huống cụ thể:

Nghiên cứu học thuật: Các nhà nghiên cứu đang nghiên cứu những tác động cụ thể của đầu tách rời trong máy dò không có mỏ neo có thể sử dụng YOLOX làm cơ sở so sánh.
Hệ thống kế thừa: Các đường ống hiện có được tích hợp chặt chẽ với cơ sở mã YOLOX cụ thể (ví dụ: triển khai MegEngine) có thể tiếp tục sử dụng nó để tránh chi phí tái cấu trúc.

Kết luận

Trong khi YOLOX đóng vai trò quan trọng trong việc phổ biến công nghệ phát hiện đối tượng không có điểm neo, Ultralytics YOLO11 lại là lựa chọn vượt trội cho quá trình phát triển thị giác máy tính hiện đại.

YOLO11 vượt trội hơn YOLOX ở mọi chỉ số quan trọng: chính xác hơn, nhanh hơn đáng kể và hiệu quả hơn nhiều về mặt tham số. Ngoài hiệu suất thô, Ultralytics Hệ sinh thái này trao quyền cho các nhà phát triển với khả năng sử dụng dễ dàng, tài liệu hướng dẫn chi tiết và khả năng đa nhiệm linh hoạt. Cho dù là tạo mẫu nhanh hay triển khai công nghiệp quy mô lớn, YOLO11 cung cấp các công cụ và hiệu suất cần thiết để xây dựng các giải pháp AI tiên tiến.

So sánh các mô hình khác

Khám phá cách YOLO11 so sánh với các mô hình hàng đầu khác trong lĩnh vực này: