So sánh mô hình: YOLOX vs YOLOv8 để phát hiện đối tượng
Việc lựa chọn mô hình phát hiện đối tượng phù hợp là rất quan trọng để cân bằng độ chính xác, tốc độ và tài nguyên tính toán trong các ứng dụng thị giác máy tính. Trang này cung cấp so sánh kỹ thuật giữa YOLOX, do Megvii phát triển và Ultralytics YOLOv8 , cả hai đều là những mô hình tiên tiến nổi tiếng về khả năng phát hiện đối tượng. Chúng tôi phân tích các lựa chọn về kiến trúc, chuẩn hiệu suất và tính phù hợp của chúng đối với các trường hợp sử dụng khác nhau để hỗ trợ quá trình lựa chọn mô hình của bạn.
| 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) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOX là | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXLl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
YOLOX: Phát hiện không neo hiệu suất cao
YOLOX , được Megvii giới thiệu vào tháng 7 năm 2021 ( arXiv ), là một mô hình phát hiện đối tượng không có mỏ neo tập trung vào việc đơn giản hóa YOLO pipeline trong khi tăng cường hiệu suất. Được biên soạn bởi Zheng Ge, Songtao Liu, Feng Wang, Zeming Li và Jian Sun. YOLOX hướng đến mục tiêu thu hẹp khoảng cách giữa nghiên cứu và ứng dụng công nghiệp với thiết kế hiệu quả và độ chính xác cao. Kiến trúc kết hợp các tiến bộ như đầu tách rời, gán nhãn SimOTA và các kỹ thuật tăng cường dữ liệu mạnh mẽ, góp phần tạo nên hiệu suất mạnh mẽ của nó.
Điểm mạnh:
- Sự đơn giản và hiệu quả: YOLOX đơn giản hóa truyền thống YOLO khuôn khổ bằng cách loại bỏ các điểm neo, dẫn đến quá trình đào tạo đơn giản hơn và giảm độ phức tạp.
- Độ chính xác và tốc độ cao: Đạt hiệu suất tiên tiến nhất trong số các máy dò một giai đoạn, cân bằng giữa độ chính xác cao với tốc độ suy luận nhanh như được thể hiện trong chuẩn mực của nó.
- Thiết kế thân thiện với công nghiệp: YOLOX được thiết kế để dễ dàng triển khai và thích ứng với các ứng dụng công nghiệp, với nhiều tùy chọn triển khai như ONNX , TensorRT , Và OpenVINO ( Tài liệu YOLOX ).
Điểm yếu:
- Mặc dù hiệu quả, kích thước mô hình, đặc biệt là đối với các biến thể lớn hơn như YOLOX-x, có thể đáng kể, có khả năng đòi hỏi nhiều tài nguyên tính toán hơn so với các mô hình cực kỳ nhẹ như YOLOv8n .
Các trường hợp sử dụng lý tưởng:
YOLOX phù hợp với các ứng dụng đòi hỏi sự cân bằng giữa độ chính xác cao và xử lý thời gian thực, bao gồm:
- Phát hiện đối tượng hiệu suất cao trong nghiên cứu và phát triển, nơi độ chính xác tiên tiến được ưu tiên.
- Các ứng dụng công nghiệp đòi hỏi khả năng phát hiện mạnh mẽ và đáng tin cậy, chẳng hạn như kiểm soát chất lượng và tự động hóa trong sản xuất ( AI trong sản xuất ).
- Các tình huống triển khai Edge khi có sẵn phần cứng có khả năng, tận dụng các tùy chọn triển khai được tối ưu hóa.
YOLOv8 : Phát hiện linh hoạt và thân thiện với người dùng
Ultralytics YOLOv8 , được phát hành bởi Ultralytics vào ngày 10 tháng 1 năm 2023, là lần lặp lại mới nhất trong YOLO loạt, tập trung vào việc cung cấp trải nghiệm đa năng và thân thiện với người dùng trên nhiều nhiệm vụ AI về tầm nhìn. Được phát triển bởi Glenn Jocher, Ayush Chaurasia và Jing Qiu, nó dựa trên YOLO phiên bản có cải tiến về mặt kiến trúc và chú trọng nhiều vào tính dễ sử dụng và tính linh hoạt. YOLOv8 hỗ trợ nhiều tác vụ khác nhau bao gồm phát hiện đối tượng, phân đoạn trường hợp , phân loại hình ảnh và ước tính tư thế .
Điểm mạnh:
- Hiệu suất hiện đại: YOLOv8 cung cấp mAP tuyệt vời và suy luận nhanh, giúp nó có khả năng cạnh tranh với các mô hình hàng đầu khác (xem điểm chuẩn YOLOv8 ).
- Dễ sử dụng: Ultralytics nhấn mạnh tính thân thiện với người dùng với tài liệu toàn diện và đơn giản, Python -giao diện dựa trên nền tảng, tạo điều kiện cho việc tạo mẫu và triển khai nhanh chóng.
- Tính linh hoạt trong nhiều nhiệm vụ: YOLOv8 không chỉ giới hạn ở việc phát hiện đối tượng mà còn mở rộng sang phân đoạn, phân loại và ước tính tư thế, cung cấp giải pháp thống nhất cho nhiều nhu cầu thị giác máy tính khác nhau.
- Hệ sinh thái và cộng đồng: Nó được hưởng lợi từ một cộng đồng nguồn mở lớn và năng động và tích hợp liền mạch với Ultralytics HUB để quản lý và triển khai mô hình .
Điểm yếu:
- Đối với các thiết bị có nguồn lực cực kỳ hạn chế, các mô hình nhỏ hơn, chuyên dụng như YOLOX-Nano có thể cung cấp diện tích nhỏ hơn, mặc dù YOLOv8n cung cấp một giải pháp thay thế rất nhẹ.
Các trường hợp sử dụng lý tưởng:
YOLOv8 Tính linh hoạt và dễ sử dụng của nó làm cho nó trở nên lý tưởng cho nhiều ứng dụng khác nhau:
- Phát hiện đối tượng theo thời gian thực trong các ứng dụng như hệ thống an ninh , robot và xe tự hành .
- Giải pháp AI tầm nhìn đa năng trong nhiều ngành công nghiệp bao gồm nông nghiệp , chăm sóc sức khỏe và thành phố thông minh .
- Tạo mẫu và triển khai nhanh chóng nhờ giao diện thân thiện với người dùng và các mô hình được đào tạo sẵn trên Ultralytics HUB .
Đối với người dùng quan tâm đến các mô hình khác, Ultralytics cũng cung cấp một loạt các YOLO các mô hình, bao gồm YOLOv5 , YOLOv7 và YOLOv10 tiên tiến, mỗi mô hình đều có điểm mạnh và khả năng tối ưu hóa riêng.
