跳转至内容

YOLOv7 与YOLOv7 的详细技术比较

为物体检测选择最佳架构是计算机视觉开发中的一项关键决策。这种选择往往需要在推理延迟和检测精度之间取得平衡，同时还要考虑部署硬件的限制。本技术比较研究了YOLO 和YOLOv7，这两个在 2022 年发布的具有影响力的模型推动了实时检测的发展。我们分析了它们的架构创新、基准性能和理想应用场景，以帮助您在选择模型的过程中游刃有余。

DAMO-YOLO：边缘效率神经架构搜索

YOLO 由阿里巴巴集团开发，专注于最大限度地提高工业应用的性能。它的与众不同之处在于采用了神经架构搜索（NAS）技术来自动设计主干网，确保实现最佳效率。

建筑创新

YOLO 引入了多项尖端技术，旨在减少计算开销，同时保持高精度：

  1. MAE-NAS 主干网（GiraffeNet）：与传统的人工设计骨干网不同，DAMO-YOLO 采用了方法感知效率（MAE）NAS 方法。这就产生了名为 GiraffeNet 的骨干网系列，它能在各种硬件限制条件下，在浮点运算（FLOPs）和延迟之间进行出色的权衡。
  2. 高效 RepGFPN：该模型采用了经过重新参数化优化的广义特征金字塔网络（GFPN）。这种 "RepGFPN "可实现高效的多尺度特征融合，这对于检测不同大小的物体至关重要，而且不会产生与标准 FPN 相关的高计算成本。
  3. ZeroHead：新颖的 "ZeroHead "设计大大简化了检测头。通过解耦分类和回归任务以及去除复杂的特定层，它可在推理过程中将探测头的参数数量降至零，从而节省内存并提高速度。
  4. AlignedOTA：为了提高训练的稳定性和准确性，YOLO -YOLO 采用了 AlignedOTA 这种动态标签分配策略，以解决分类置信度和回归准确性之间的错位问题。

优势和用例

YOLO 在延迟至关重要的环境中表现出色。其较小的变体（Tiny/Small）尤其适用于边缘人工智能部署。

  • 工业自动化：适用于毫秒级的高速装配线。
  • 移动应用：参数数量少，适合在计算能力有限的智能手机上运行。

了解更多关于 DAMO-YOLO 的信息

YOLOv7：优化实时精度

在YOLO 发布前不久发布的YOLOv7 为 5 FPS 至 160 FPS 范围内的一流性能设定了新基准。它重点优化了训练过程和梯度流，在不增加推理成本的情况下实现了更高的精度。

建筑创新

YOLOv7 引入了 "bag-of-freebies "方法，可在不影响推理模型结构的情况下提高训练精度：

  1. E-ELAN（扩展高效层聚合网络）：这种架构可控制最短和最长的梯度路径，让网络学习到更多不同的特征。它在不破坏原始梯度路径状态的情况下，提高了 "心率 "的学习能力。
  2. 基于串联模型的模型缩放： YOLOv7 提出了一种复合缩放方法，可同时缩放基于串联架构的深度和宽度，确保参数的最佳利用。
  3. 可训练的免费袋：使用计划重参数化和辅助头监督（从粗到细）等技术。这些技术可在训练过程中提高模型的鲁棒性和准确性，但在推理过程中会被合并或丢弃，从而保持模型的快速性。

优势和用例

YOLOv7 是通用对象检测的强大工具，在MSCOCO 等标准数据集上提供出色的平均精度 (mAP)。

  • 智能城市监控：其高精度使其成为在复杂城市环境中检测行人和车辆的可靠工具。
  • 自主系统：适用于需要在更远距离上进行可靠检测的机器人和无人机，因为更高分辨率的输入会带来更多益处。

了解有关YOLOv7的更多信息

性能对比

下表对比了YOLO 和YOLOv7 的性能。YOLO 的尺寸通常能实现更低的延迟（更高的速度），而YOLOv7 通常在准确性方面保持很高的声誉，尤其是在较大的配置中。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
(毫秒)		参数
(M)		FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

数据表明，对于高度受限的环境，DAMO-YOLO提供了非常轻量级的解决方案（微小版本的参数为 8.5M）。但是 YOLOv7的 X 变体实现了 53.1% 的mAP，尽管计算成本更高。

架构权衡

YOLO 基于 NAS 的骨干网专门针对延迟进行了优化，而YOLOv7 的手动架构设计则侧重于梯度流效率。用户应该在自己的特定硬件上对两者进行基准测试，因为理论 FLOP 并不总是与实际推理速度完全相关。

Ultralytics 的优势：为什么要升级？

虽然YOLO 和YOLOv7 代表了计算机视觉历史上的重大成就，但该领域的发展日新月异。对于寻求最强大、最多功能和最易用解决方案的开发人员来说、 Ultralytics YOLO11和 YOLOv8是值得推荐的选择。

Ultralytics 模型不仅是研究成果，也是全面的生产工具。它们解决了人工智能部署中的 "最后一英里 "问题--可用性、集成和维护。

Ultralytics 的主要优势

  • 易于使用：通过统一的Python API和CLI，您只需几行代码就能训练出最先进的模型。无需手动调整复杂的配置文件，也无需费力处理依赖关系。
  • 维护良好的生态系统： Ultralytics 提供了一个蓬勃发展的生态系统，更新频繁，能快速识别和修复错误。通过广泛的文档和活跃的社区渠道，用户可以随时获得支持。
  • 性能平衡：机型，如 YOLO11与YOLOv7 和YOLO 相比，利用先进的无锚检测头和优化的骨架实现了更高的精度速度比。
  • 多功能性： Ultralytics YOLO 与通常仅限于检测的旧型号不同，它支持实例分割、姿势估计 、面向对象检测（旋转框检测）和开箱即用的分类。
  • 训练效率：预先训练的权重和优化的数据加载器可确保更快的收敛速度，从而节省GPU 的工作时间和能源。
from ultralytics import YOLO

# Load the latest YOLO11 model
model = YOLO("yolo11n.pt")

# Train on COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

了解更多关于 YOLO11 的信息

结论

YOLO 和YOLOv7 各具特色。YOLO是边缘推理速度是主要限制因素的项目的有力候选方案，可利用 NAS 节省毫秒时间。 YOLOv7仍然是寻求高精度检测的研究人员的可靠选择。

不过，对于当今大多数商业和研究应用而言， Ultralytics YOLO生态系统提供了卓越的体验。Ultralytics 模型将最先进的性能与无与伦比的易用性和多功能性相结合，使开发人员能够专注于创造价值，而不是调试代码。无论您是部署到云服务器还是像NVIDIA Jetson 这样的边缘设备，Ultralytics 都能为您提供最简化的生产路径。

其他模型

如果您正在探索物体检测架构，您可能也会对这些模型感兴趣：

  • Ultralytics YOLOv8：支持检测、分割和姿势估计 任务的多功能模型。
  • Ultralytics YOLO11： YOLO 系列的最新产品，提供最先进的效率。
  • RT-DETR： transformer实时检测器，可避免NMS 延迟。
  • YOLOv9：具有可编程梯度信息 (PGI) 功能，可增强学习效果。
  • YOLOv10：侧重于NMS 的端到端培训，以减少延迟。

评论