跳转至内容

模型对比:YOLOv5 vs YOLOv6-3.0 用于目标检测

选择最佳的目标检测模型对于成功的计算机视觉应用至关重要。Ultralytics YOLOv5 和美团 YOLOv6-3.0 都是以其效率和准确性而闻名的热门选择。本页面提供技术对比,以帮助您确定哪种模型最适合您的项目需求。我们将深入研究它们的架构细微差别、性能基准、训练方法和适用的应用,突出 Ultralytics 生态系统的优势。

Ultralytics YOLOv5:已建立的行业标准

作者: Glenn Jocher
组织: Ultralytics
日期: 2020-06-26
GitHub: https://github.com/ultralytics/yolov5
文档: https://docs.ultralytics.com/models/yolov5/

Ultralytics YOLOv5是一种单级对象检测模型,以其速度快、易于使用和适应性强而著称。它由Ultralytics 开发,在实现高性能对象检测方面迈出了重要一步。完全采用 PyTorchYOLOv5 采用了 CSPDarknet53 主干网和 PANet 颈网,以实现高效的特征提取和融合。其架构高度模块化,可轻松扩展到不同的模型尺寸(n、s、m、l、x),以满足不同的性能需求。

YOLOv5 的优势

  • 速度和效率: YOLOv5 在推理速度方面表现出色,使其成为实时应用和在资源受限的边缘设备上部署的理想选择。如性能表所示,YOLOv5n 模型在较小的模型中提供了最快的 CPU 和 GPU 推理时间。
  • 易用性:YOLOv5 以其简单性而闻名,提供简化的用户体验,具有简单的 API、丰富的 文档 和众多的 教程
  • 维护良好的生态系统: 受益于集成的 Ultralytics 生态系统,包括积极的开发、通过 Discord 提供的强大社区支持、频繁的更新以及与 Ultralytics HUB 的无缝集成,以实现 MLOps。
  • 多功能性: 支持包括 目标检测实例分割图像分类 在内的多项任务,提供比单任务模型更全面的解决方案。
  • 训练效率:与其他许多架构(尤其是基于 Transformer 的模型)相比,它提供高效的训练过程、随时可用的预训练权重和更低的内存需求。

YOLOv5 的弱点

  • 准确率: 虽然具有很高的准确性和效率,但像 YOLOv6-3.0 或 Ultralytics YOLOv8 等较新的模型在某些基准测试中可能会提供稍高的 mAP,尤其是在较大的模型变体中。
  • 基于Anchor的检测: 依赖于anchor框,与现代无anchor检测器相比,可能需要针对不同的数据集进行调整,以获得最佳性能。

了解更多关于 YOLOv5 的信息

美团 YOLOv6-3.0:工业领域的竞争者

作者: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, 和 Xiangxiang Chu
组织: 美团
日期: 2023-01-13
Arxiv: https://arxiv.org/abs/2301.05586
GitHub: https://github.com/meituan/YOLOv6
文档: https://docs.ultralytics.com/models/yolov6/

YOLOv6-3.0 由美团开发,是一个主要为工业应用而设计的对象检测框架。它于 2023 年初发布,旨在为实际部署场景中的速度和准确性之间提供平衡。YOLOv6 引入了架构修改,例如高效的主干和颈部设计。3.0 版本进一步改进了这些元素,并结合了训练期间的自蒸馏等技术来提高性能。它还提供针对移动部署优化的特定模型 (YOLOv6Lite)。

YOLOv6-3.0 的优势

  • 良好的速度-准确率权衡: 提供具有竞争力的性能,尤其适用于在 GPU 上最大化 mAP 的工业目标检测任务。
  • 量化支持:提供用于模型量化的工具和教程,有利于在资源有限的硬件上进行部署。
  • 移动优化:包括专门为移动或基于 CPU 的推理设计的 YOLOv6Lite 变体。

YOLOv6-3.0 的弱点

  • 任务多功能性有限:主要侧重于目标检测,缺乏对 Ultralytics 模型(如 YOLOv5 和 YOLOv8)中提供的分割、分类或姿势估计的本机支持。
  • 生态系统与维护:虽然是开源的,但该生态系统不如 Ultralytics 平台那样全面或积极维护,这可能会导致更新速度较慢和社区支持较少。
  • 更高的资源占用: 对于相似的mAP,较大的YOLOv6模型相比YOLOv5等效模型可能具有明显更多的参数和FLOPs,因此可能需要更多的计算资源。

了解更多关于 YOLOv6 的信息

性能正面交锋

下表提供了 YOLOv5 和 YOLOv6-3.0 模型在 COCO 数据集 上的性能指标的直接比较。Ultralytics YOLOv5 在 CPU 和 GPU 上都表现出卓越的速度,适用于较小的模型,使其成为实时边缘应用的绝佳选择。虽然较大的 YOLOv6-3.0 模型可以实现更高的峰值 mAP,但 YOLOv5 提供了更平衡和高效的整体性能,尤其是在考虑到其较低的参数和 FLOP 计数时。

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)
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4
YOLOv6-3.0n 640 37.5 - 1.17 4.7 11.4
YOLOv6-3.0s 640 45.0 - 2.66 18.5 45.3
YOLOv6-3.0m 640 50.0 - 5.28 34.9 85.8
YOLOv6-3.0l 640 52.8 - 8.95 59.6 150.7

训练方法

这两款模型都利用标准的深度学习技术,在像COCO这样的大型数据集上进行训练。然而,Ultralytics YOLOv5 显著受益于 Ultralytics 生态系统,它提供了简化的训练工作流程、大量的指南AutoAnchor优化,以及与Weights & BiasesClearML等工具的集成,用于实验跟踪。这种集成方法简化了开发周期,并加快了部署时间。YOLOv6-3.0 的训练遵循其官方存储库中概述的步骤。

理想用例

  • Ultralytics YOLOv5:强烈推荐用于需要实时性能易于部署的应用,尤其是在 CPU 或边缘设备上。它的多功能性、广泛的支持和高效的资源使用使其成为快速原型设计、移动应用、视频监控(用于防盗的计算机视觉)以及受益于成熟、有据可查的生态系统的项目的理想选择。
  • Meituan YOLOv6-3.0: 当最大化 GPU 上的准确率是主要目标,同时仍需要快速推理时,它是一个强大的竞争者。它适用于那些 YOLOv5 上的 mAP 略有改进,但可能增加复杂性或减少生态系统支持的工业应用。

结论

Ultralytics YOLOv5 仍然是一个出色的选择,尤其以其卓越的速度、易用性和强大的生态系统而备受推崇。它在性能和效率之间提供了极佳的平衡,并以大量的文档和社区支持为后盾,使其对开发人员和研究人员来说非常容易上手。

YOLOv6-3.0 提供了具有竞争力的性能,尤其是在 GPU 上大型模型的峰值 mAP 方面。对于优先考虑 YOLO 框架内尽可能高的准确性,并将其用于特定工业任务的 YOLO 框架用户来说,它是一个可行的替代方案。

对于那些寻求最新进展的人,请考虑探索较新的 Ultralytics 模型,如 YOLOv8YOLOv9YOLOv10YOLO11,它们在性能、通用性和效率方面提供了进一步的改进。 像 RT-DETR 这样的专用模型也为特定用例提供了独特的优势。

Ultralytics 模型文档中探索全部选项。



📅 1 年前创建 ✏️ 1 个月前更新

评论