YOLOX so với... YOLOv6 -3.0: Hướng dẫn toàn diện về phát hiện vật thể không cần neo và trong công nghiệp

Sự phát triển của thị giác máy tính phần lớn được định hình bởi những tiến bộ nhanh chóng trong... YOLO loạt bài. Việc lựa chọn kiến ​​trúc phù hợp cho việc triển khai thường phụ thuộc vào việc cân bằng giữa thông lượng thô, sự đơn giản về kiến ​​trúc và hiệu quả đào tạo. Hai cột mốc đáng chú ý trong hành trình này là trọng tâm nghiên cứu không cần neo của YOLOX và thông lượng công nghiệp được tối ưu hóa cao của YOLOv6 -3.0.

Bản so sánh kỹ thuật này phân tích chi tiết sự khác biệt về kiến ​​trúc, các chỉ số hiệu năng và các trường hợp sử dụng lý tưởng của chúng, đồng thời giới thiệu các khả năng thế hệ tiếp theo của Ultralytics YOLO26 dành cho các nhà phát triển đang tìm kiếm giải pháp triển khai điện toán biên và đám mây tối ưu.

YOLOX: Kết nối Nghiên cứu và Công nghiệp

Được phát triển bởi các nhà nghiên cứu tại Megvii , YOLOX được giới thiệu như một bước chuyển lớn hướng tới việc đơn giản hóa... YOLO kiến trúc bằng cách làm cho nó hoàn toàn không cần neo.

• Tác giả: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li, Jian Sun
• Tổ chức: Megvii
• Ngày: 2021-07-18
• Arxiv:2107.08430
• GitHub:Megvii-BaseDetection/YOLOX

Điểm nổi bật về kiến trúc

YOLOX đã tích hợp thành công thiết kế không cần neo vào sản phẩm. YOLO Bằng cách loại bỏ các hộp neo được xác định trước, mô hình giảm đáng kể số lượng tham số thiết kế và điều chỉnh theo kinh nghiệm cần thiết trong quá trình huấn luyện. Điều này giúp YOLOX có khả năng thích ứng cao với nhiều tập dữ liệu tùy chỉnh khác nhau mà không cần tính toán lại neo thủ công.

Hơn nữa, YOLOX đã giới thiệu kiến ​​trúc đầu phân tách. Bằng cách tách biệt các nhiệm vụ phân loại và hồi quy thành các nhánh khác nhau, mô hình giải quyết được mâu thuẫn vốn có giữa việc xác định đối tượng là gì và vị trí của nó. Kết hợp với chiến lược gán nhãn SimOTA, YOLOX đạt được sự hội tụ nhanh hơn và cải thiện độ chính xác trung bình ( mAP ) .

Tìm hiểu thêm về YOLOX

YOLOv6-3.0: Ông hoàng công nghiệp

Được phát triển bởi bộ phận Trí tuệ nhân tạo thị giác tại Meituan , YOLOv6 -3.0 được thiết kế một cách triệt để để đạt hiệu suất công nghiệp tối đa, đặc biệt là trên... NVIDIA GPU sử dụng bộ tăng tốc phần cứng như TensorRT .

• Tác giả: Chuyi Li, Lulu Li, Yifei Geng, et al.
• Tổ chức: Meituan
• Ngày: 2023-01-13
• Arxiv:2301.05586
• GitHub:meituan/YOLOv6

Tối ưu hóa cho việc triển khai

YOLOv6 - Phiên bản 3.0 tập trung vào việc tối đa hóa khả năng sử dụng GPU . Nó giới thiệu mô-đun Ghép nối hai chiều (Bi-directional Concatenation - BiC) ở phần cổ để tăng cường khả năng kết hợp đặc trưng trong khi vẫn duy trì tốc độ suy luận cao. Mặc dù giai đoạn suy luận hoàn toàn không cần điểm neo (anchor-free), YOLOv6 -3.0 sử dụng chiến lược Huấn luyện Hỗ trợ Neo (Anchor-Aided Training - AAT) tiên tiến để tận dụng sự ổn định dựa trên neo trong giai đoạn huấn luyện.

Hệ thống xương sống được xây dựng bằng kiến ​​trúc EfficientRep thân thiện với phần cứng, được thiết kế có chủ đích để giảm thiểu chi phí truy cập bộ nhớ và tối đa hóa mật độ tính toán trên các bộ tăng tốc hiện đại. Điều này giúp YOLOv6 Một ứng cử viên xuất sắc cho phân tích video phía máy chủ.

Tìm hiểu thêm về YOLOv6

So sánh hiệu suất

Khi so sánh các mô hình này, các nhà phát triển phải cân nhắc giữa độ chính xác thô với tốc độ suy luận và số lượng tham số. Bảng sau đây nêu bật hiệu suất của cả hai nhóm mô hình trên các kích thước khác nhau.

Trong khi YOLOv6 -3.0 thể hiện sự vượt trội mAP và xuất sắc TensorRT Với tốc độ xử lý nhanh hơn đối với các phiên bản lớn hơn, YOLOX vẫn duy trì tính cạnh tranh cao nhờ sự đơn giản và hiệu năng mạnh mẽ trên phần cứng cũ.

Các trường hợp sử dụng và Khuyến nghị

Lựa chọn giữa YOLOX và YOLOv6 Điều này phụ thuộc vào các yêu cầu cụ thể của dự án, các ràng buộc triển khai và sở thích về hệ sinh thái của bạn.

Khi nào nên chọn YOLOX

YOLOX là một lựa chọn tuyệt vời cho:

• Nghiên cứu phát hiện không cần neo: Nghiên cứu học thuật sử dụng kiến ​​trúc sạch, không cần neo của YOLOX làm cơ sở để thử nghiệm các đầu phát hiện hoặc hàm mất mát mới.
• Các thiết bị biên siêu nhẹ: Triển khai trên vi điều khiển hoặc phần cứng di động thế hệ cũ, nơi mà kích thước cực nhỏ (0,91 triệu tham số) của biến thể YOLOX-Nano là rất quan trọng.
• Nghiên cứu phân bổ nhãn SimOTA: Các dự án nghiên cứu điều tra các chiến lược phân bổ nhãn dựa trên phương tiện vận chuyển tối ưu và tác động của chúng đến sự hội tụ của quá trình huấn luyện.

Khi nào nên chọn YOLOv6

YOLOv6 được khuyến nghị cho:

• Triển khai có nhận thức về phần cứng công nghiệp: Các kịch bản trong đó thiết kế có nhận thức về phần cứng của mô hình và việc tái tham số hiệu quả cung cấp hiệu suất tối ưu trên phần cứng mục tiêu cụ thể.
• Phát hiện nhanh chóng trong một giai đoạn duy nhất: Các ứng dụng ưu tiên tốc độ suy luận thô trên GPU Dùng để xử lý video thời gian thực trong môi trường được kiểm soát.
• Tích hợp hệ sinh thái Meituan: Các nhóm hiện đang làm việc trong hệ sinh thái công nghệ và cơ sở hạ tầng triển khai của Meituan .

Khi nào nên lựa chọn Ultralytics (YOLO26)

Đối với hầu hết các dự án mới, Ultralytics YOLO26 cung cấp sự kết hợp tốt nhất giữa hiệu năng và trải nghiệm dành cho nhà phát triển:

• NMS - Triển khai biên không cần can thiệp: Các ứng dụng yêu cầu suy luận nhất quán, độ trễ thấp mà không cần sự phức tạp của quá trình xử lý hậu kỳ loại bỏ cực đại không cần can thiệp (Non-Maximum Suppression).
• Môi trường chỉ sử dụng CPU : Các thiết bị không có bộ xử lý chuyên dụng. GPU khả năng tăng tốc, trong đó YOLO26 nhanh hơn tới 43%. CPU Suy luận mang lại lợi thế quyết định.
• Phát hiện vật thể nhỏ: Các tình huống đầy thách thức như ảnh chụp từ máy bay không người lái hoặc phân tích cảm biến IoT, nơi ProgLoss và STAL giúp tăng đáng kể độ chính xác trong việc phát hiện các vật thể siêu nhỏ.

Lợi thế của Ultralytics

Mặc dù cả Megvii và Meituan đều cung cấp các kho dữ liệu nghiên cứu mạnh mẽ, việc triển khai các mô hình này vào thực tế thường đòi hỏi chi phí kỹ thuật đáng kể. Hệ sinh thái tích hợp Ultralytics loại bỏ những trở ngại này bằng cách cung cấp một API thống nhất, được tài liệu hóa đầy đủ.

Bằng cách tận dụng Ultralytics Với gói phần mềm này, các nhà phát triển có được trải nghiệm người dùng tuyệt vời chưa từng có. Điều này bao gồm tính năng tự động tăng cường tích hợp sẵn , quản lý bộ nhớ hiệu quả cao trong quá trình huấn luyện (giảm đáng kể yêu cầu VRAM so với các mô hình transformer như RTDETR ) và quy trình xuất dữ liệu liền mạch sang các định dạng như ONNX và OpenVINO .

Không giống như các mô hình chuyên dụng, Ultralytics Các kiến ​​trúc này vốn dĩ rất linh hoạt, hỗ trợ ngay từ đầu các chức năng như Phát hiện đối tượng , Phân đoạn đối tượng , Ước tính tư thế , Phân loại hình ảnh và Hộp giới hạn định hướng (OBB) .

Giới thiệu YOLO26: Giải pháp cạnh tối ưu

Đối với các nhóm bắt đầu các dự án thị giác máy tính mới, chúng tôi đặc biệt khuyên bạn nên nâng cấp lên Ultralytics YOLO26 mới phát hành. Dựa trên những thành công của YOLO11 và YOLOv8 , YOLO26 giới thiệu những cải tiến mang tính đột phá:

• Hệ NMS từ đầu đến cuối - Thiết kế miễn phí: Lần đầu tiên được khám phá trong YOLOv10 YOLO26 loại bỏ hoàn toàn nhu cầu xử lý hậu kỳ Non-Maximum Suppression ( NMS ) . Điều này đảm bảo suy luận có tính xác định và độ trễ cực thấp, rất quan trọng đối với robot thời gian thực.
• Bộ tối ưu hóa MuSGD: Lấy cảm hứng từ các kỹ thuật huấn luyện LLM như Kimi K2 của Moonshot AI, YOLO26 sử dụng bộ tối ưu hóa MuSGD (một sự kết hợp giữa...) SGD và Muon) để đạt được động lực huấn luyện cực kỳ ổn định và hội tụ nhanh hơn.
• Suy luận CPU nhanh hơn tới 43%: Bằng cách loại bỏ tổn hao tiêu điểm phân tán (DFL) và tinh giản phần đầu mạng, YOLO26 được tối ưu hóa mạnh mẽ cho các thiết bị biên dựa vào thực thi CPU , mang lại hiệu suất vượt trội đáng kể. YOLOv6 trong các kịch bản biên.
• ProgLoss + STAL: Các công thức suy giảm tiên tiến này mang lại những cải tiến đáng kể trong việc phát hiện các vật thể nhỏ , giúp YOLO26 trở nên lý tưởng cho việc chụp ảnh trên không và kiểm tra khuyết tật ở cấp độ hiển vi.

Tìm hiểu thêm về YOLO26

Ví dụ về đào tạo thống nhất

Sử dụng Ultralytics Python Với API này, việc huấn luyện các mô hình hiện đại chỉ cần một vài dòng mã. Giao diện gọn gàng này cũng áp dụng cho dù bạn đang kiểm tra một hệ thống cũ hay mới. YOLO mô hình hóa hoặc triển khai khung phần mềm YOLO26 tiên tiến.

from ultralytics import YOLO

# Load the next-generation YOLO26 model (NMS-free, optimized for edge)
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# The ecosystem handles downloading, caching, and auto-batching natively
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model and print mAP metrics
metrics = model.val()
print(f"Validation mAP50-95: {metrics.box.map}")

# Export the model for edge deployment
model.export(format="onnx")

Đề xuất Trường hợp Sử dụng

Khi lựa chọn giữa các kiến ​​trúc này, hãy xem xét các hạn chế về phần cứng và yêu cầu cụ thể của dự án:

• Hãy chọn YOLOX nếu bạn đang thực hiện nghiên cứu học thuật về các chiến lược gán nhãn hoặc cần một nền tảng cơ bản thuần túy, dễ hiểu, không có neo để tùy chỉnh kiến ​​trúc.
• Chọn YOLOv6 -3.0 nếu bạn đang triển khai trên tủ rack máy chủ công nghiệp được trang bị các thiết bị cao cấp. NVIDIA GPU (như A100 hoặc T4) cho phép bạn tận dụng kích thước lô lớn và TensorRT Các biện pháp tối ưu hóa để xử lý hàng trăm luồng video cùng lúc.
• Hãy chọn YOLO26 cho phần lớn các ứng dụng hiện đại. Nếu bạn đang xây dựng các ứng dụng AI biên cho thiết bị IoT, máy bay không người lái hoặc điện thoại di động, tính năng gốc của YOLO26 sẽ là lựa chọn phù hợp. NMS - Thiết kế miễn phí, CPU Những cải tiến và sự hỗ trợ hệ sinh thái toàn diện khiến nó trở thành lựa chọn tốt nhất không thể phủ nhận để thu hẹp khoảng cách giữa đào tạo và sản xuất.

Bình luận