YOLOv10 so với YOLOv6 -3.0: Sự phát triển của công nghệ phát hiện đối tượng theo thời gian thực

Việc lựa chọn kiến trúc thị giác máy tính phù hợp là một quyết định then chốt, ảnh hưởng đến hiệu quả, độ chính xác và khả năng mở rộng của các dự án AI. Khi lĩnh vực phát hiện đối tượng ngày càng phát triển, các nhà phát triển thường phải đối mặt với nhiều lựa chọn giữa các tiêu chuẩn công nghiệp đã được thiết lập và các cải tiến tiên tiến. Hướng dẫn này cung cấp so sánh kỹ thuật toàn diện giữa YOLOv10 và YOLOv6 , hai mô hình nổi bật được thiết kế cho các ứng dụng hiệu suất cao.

YOLOv10 : Biên giới của NMS -Phát hiện miễn phí

YOLOv10 đại diện cho một sự thay đổi mô hình trong YOLO Lineage, tập trung vào việc loại bỏ các điểm nghẽn trong quy trình triển khai để đạt được hiệu quả thực sự theo thời gian thực từ đầu đến cuối. Được phát triển bởi các nhà nghiên cứu tại Đại học Thanh Hoa, giải pháp này giới thiệu những thay đổi về kiến trúc giúp loại bỏ nhu cầu sử dụng Non-Maximum Suppression ( NMS ) , một bước hậu xử lý phổ biến thường gây ra độ trễ.

• Tác giả: Ao Wang, Hui Chen, Lihao Liu, et al.
• Tổ chức: Đại học Thanh Hoa
• Ngày: 2024-05-23
• Arxiv: Xem bài báo
• GitHub: Kho lưu trữ YOLOv10
• Tài liệu: Tài liệu YOLOv10

Kiến trúc và các cải tiến

YOLOv10 tối ưu hóa độ trễ suy luận và hiệu suất mô hình thông qua một số cơ chế chính:

1. NMS - Đào tạo miễn phí: Bằng cách sử dụng Bài tập kép nhất quán , YOLOv10 huấn luyện mô hình để tạo ra các tín hiệu giám sát phong phú trong quá trình huấn luyện, đồng thời dự đoán các phát hiện chất lượng cao duy nhất trong quá trình suy luận. Điều này loại bỏ chi phí tính toán của NMS , đơn giản hóa quy trình triển khai mô hình .
2. Thiết kế Hiệu quả-Độ chính xác Toàn diện: Kiến trúc này bao gồm đầu phân loại nhẹ và kỹ thuật lấy mẫu giảm tách biệt kênh không gian. Các thành phần này giúp giảm chi phí tính toán (FLOP) trong khi vẫn bảo toàn thông tin đặc trưng thiết yếu.
3. Tích chập hạt nhân lớn: Việc sử dụng tích chập hạt nhân lớn một cách có chọn lọc ở các giai đoạn sâu giúp tăng cường trường tiếp nhận , cho phép mô hình hiểu rõ hơn bối cảnh toàn cục mà không làm giảm đáng kể tốc độ.

Tìm hiểu thêm về YOLOv10

YOLOv6 -3.0: Tối ưu hóa cấp công nghiệp

Phát hành vào đầu năm 2023, YOLOv6 -3.0 (thường được gọi đơn giản là YOLOv6 ) được Meituan thiết kế đặc biệt cho các ứng dụng công nghiệp. Sản phẩm ưu tiên thiết kế thân thiện với phần cứng, tối đa hóa hiệu suất trên GPU, trở thành ứng cử viên sáng giá cho tự động hóa nhà máy và xử lý video quy mô lớn.

• Tác giả: Chuyi Li, Lulu Li, Yifei Geng, et al.
• Tổ chức: Meituan
• Ngày: 2023-01-13
• Arxiv: Xem bài báo
• GitHub: Kho lưu trữ YOLOv6
• Tài liệu: Tài liệu YOLOv6

Kiến trúc và các cải tiến

YOLOv6 -3.0 tập trung vào việc tối ưu hóa sự đánh đổi giữa tốc độ và độ chính xác thông qua việc điều chỉnh cấu trúc mạnh mẽ:

1. Xương sống có thể tham số hóa: Sử dụng xương sống EfficientRep cho phép các cấu trúc phức tạp trong quá trình đào tạo có thể được thu gọn thành các khối đơn giản hơn, nhanh hơn trong quá trình suy luận.
2. Chiến lược kênh kết hợp: Phương pháp này cân bằng chi phí truy cập bộ nhớ và sức mạnh tính toán, tối ưu hóa mạng cho các hạn chế phần cứng khác nhau.
3. Tự chưng cất: Một chiến lược đào tạo trong đó mạng lưới học viên tự học (hoặc phiên bản của giáo viên) để cải thiện sự hội tụ và độ chính xác cuối cùng mà không làm tăng chi phí suy luận.

Tìm hiểu thêm về YOLOv6

Phân tích hiệu suất

So sánh sau đây sử dụng số liệu từ tập dữ liệu COCO , một chuẩn mực để phát hiện đối tượng. Bảng nêu bật cách YOLOv10 mở rộng phạm vi về hiệu quả và độ chính xác của tham số.

Những Điểm Chính

• Hiệu suất tham số: YOLOv10 cho thấy sự giảm đáng kể về kích thước mô hình. Ví dụ, YOLOv10s đạt độ chính xác cao hơn (46,7% mAP ) hơn YOLOv6 -3.0s (45.0% mAP ) trong khi sử dụng ít hơn một nửa số tham số (7,2M so với 18,5M). Dung lượng bộ nhớ thấp hơn này rất quan trọng đối với các thiết bị biên có RAM hạn chế.
• Chi phí tính toán: Số lượng FLOP (Phép tính dấu chấm động) thấp hơn đáng kể đối với YOLOv10 trên các tầng tương tự, giúp giảm mức tiêu thụ điện năng và có khả năng làm mát nhiệt độ chạy trên phần cứng AI biên .
• Sự chính xác: YOLOv10 luôn đạt điểm cao hơn mAP (Độ chính xác trung bình) trên mọi thang đo, cho thấy nó mạnh mẽ hơn trong việc phát hiện các đối tượng trong nhiều điều kiện khác nhau.
• Tốc độ: Trong khi YOLOv6 -3.0n cho thấy một lợi thế nhỏ trong nguyên liệu thô TensorRT độ trễ trên GPU T4, lợi ích thực tế của YOLOv10 'S NMS -kiến trúc miễn phí thường dẫn đến thông lượng hệ thống tổng thể nhanh hơn bằng cách loại bỏ CPU -tắc nghẽn hậu xử lý nghiêm trọng.

Tích hợp và Hệ sinh thái

Một trong những khác biệt quan trọng nhất nằm ở hệ sinh thái và tính dễ sử dụng. Trong khi YOLOv6 Là một kho lưu trữ độc lập mạnh mẽ, YOLOv10 được hưởng lợi từ việc tích hợp vào hệ sinh thái Ultralytics . Điều này cung cấp cho các nhà phát triển một quy trình làm việc liền mạch từ chú thích dữ liệu đến triển khai.

Dễ sử dụng với Ultralytics

Sử dụng Ultralytics các mô hình đảm bảo bạn có quyền truy cập vào một chuẩn hóa, đơn giản Python API. Bạn có thể chuyển đổi giữa các mô hình như YOLOv8 và YOLOv10 với những thay đổi mã tối thiểu, tính linh hoạt không dễ có được khi chuyển đổi giữa các khuôn khổ khác nhau.

from ultralytics import YOLO

# Load a pre-trained YOLOv10 model
model = YOLO("yolov10n.pt")

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

# Run inference on an image
results = model.predict("path/to/image.jpg")

Tính linh hoạt và khả năng thích ứng trong tương lai

Trong khi YOLOv6 -3.0 tập trung chủ yếu vào việc phát hiện, Ultralytics Khung hỗ trợ nhiều tác vụ thị giác máy tính hơn, bao gồm phân đoạn, phân loại và ước tính tư thế. Đối với người dùng yêu cầu khả năng đa tác vụ, nâng cấp lên YOLO11 thường là lựa chọn được khuyến nghị, vì nó cung cấp hiệu suất vượt trội trên tất cả các phương thức này trong cùng một API thống nhất.

Các trường hợp sử dụng lý tưởng

Khi nào nên chọn YOLOv10

• Triển khai Edge: Do số lượng tham số thấp và NMS -thiết kế miễn phí, YOLOv10 là lý tưởng cho các hệ thống nhúng như NVIDIA Jetson hoặc Raspberry Pi ở đâu CPU nguồn lực cho quá trình xử lý hậu kỳ còn khan hiếm.
• Ứng dụng thời gian thực: Các ứng dụng yêu cầu phản hồi ngay lập tức, chẳng hạn như xe tự hành hoặc điều hướng bằng máy bay không người lái, được hưởng lợi từ độ trễ có thể dự đoán được của NMS -suy luận tự do.
• Dự án mới: Đối với bất kỳ dự án mới nào, sự đánh đổi giữa độ chính xác và hiệu quả vượt trội cùng với sự hỗ trợ của hệ sinh thái hiện đại tạo nên YOLOv10 sự lựa chọn ưu tiên hơn so với các kiến trúc cũ.

Khi nào nên chọn YOLOv6 -3.0

• Hệ thống kế thừa: Nếu một đường ống sản xuất hiện có đã được tối ưu hóa mạnh mẽ cho YOLOv6 Kiến trúc cụ thể và chi phí tái thiết là quá cao.
• Khối lượng công việc GPU cụ thể: Trong các tình huống bị ràng buộc chặt chẽ bởi nguyên liệu TensorRT thông lượng trên phần cứng thời đại T4, nơi các tối ưu hóa cụ thể của YOLOv6 vẫn có thể giữ lợi thế nhỏ về fps thô, đặc biệt là đối với mô hình nano.

Kết luận

Trong khi YOLOv6 đã là một chuẩn mực mạnh mẽ cho việc phát hiện đối tượng công nghiệp khi ra mắt, YOLOv10 đại diện cho bước tiến tiếp theo trong quá trình phát triển của AI thị giác. Với kiến trúc không cần NMS , số lượng tham số được giảm đáng kể và độ chính xác cao hơn, YOLOv10 cung cấp giải pháp hiệu quả và có khả năng mở rộng hơn cho các thách thức về thị giác máy tính hiện đại.

Đối với các nhà phát triển đang tìm kiếm sự linh hoạt và hiệu suất mới nhất tuyệt đối trong phát hiện, phân đoạn và ước tính tư thế, chúng tôi cũng khuyên bạn nên khám phá YOLO11 . Là một phần của Ultralytics hệ sinh thái, các mô hình này đảm bảo bạn luôn đi đầu trong đổi mới AI với sự hỗ trợ mạnh mẽ của cộng đồng và những cải tiến liên tục.

Để đọc thêm về so sánh mô hình, hãy xem phân tích của chúng tôi về YOLOv10 so với YOLOv8 hoặc khám phá khả năng của RT-DETR để phát hiện dựa trên máy biến áp.

Bình luận