跳转至内容

YOLOv6.0 与 YOLOX：深入探讨工业速度和免锚定精度

选择最佳物体检测架构是影响计算机视觉系统效率和能力的关键决策。本技术比较研究了YOLOv6.0和YOLOX 这两个在实时检测领域颇具影响力的模型。我们分析了它们的架构创新、基准性能指标以及对各种部署场景的适用性。

YOLOv6.0：专为提高工业效率而设计

作者李楚怡、李璐璐、耿一飞、蒋洪亮、程萌、张博、柯在丹、徐晓明、储祥祥
机构：美团网
日期：2023-01-13
Arxiv：YOLOv6 v3.0：A Full-Scale Reloading
GitHub:YOLOv6
Docs：Ultralytics YOLOv6 文档

YOLOv6.0 由美团公司视觉 AI 部门开发，专门针对硬件资源通常有限但实时速度要求极高的行业应用而设计。它专注于在标准GPU 硬件上最大限度地提高物体检测流水线的吞吐量。

架构和主要特性

YOLOv6.0 引入了一系列 "免费赠品"，在不增加推理成本的情况下提高了准确性。

  • 可重参数骨干网：它采用 EfficientRep 主干网，允许在训练（捕捉丰富的特征）时使用复杂的多分支结构，而在推理时则收缩为简单、快速的单路径结构。
  • 锚点辅助训练（AAT）：该模型在推理过程中作为无锚检测器运行，而在训练过程中则采用基于锚的辅助分支来稳定收敛并提高性能。
  • 自我提炼：一种知识提炼技术，学生模型从自己的教师模型预测中学习，在没有外部依赖的情况下提高自己的准确性。

优势与劣势

YOLOv6.0 的主要优势在于其延迟优化。在NVIDIA ®）GPU 上使用 TensorRT进行优化后，它在英伟达™（NVIDIA®）GPU 上实现了超快的推理速度，使其成为高吞吐量工厂自动化和智能城市监控的有力候选。此外，它对量化感知训练（QAT）的支持有助于部署到精度要求更低的边缘设备上。

然而，该模型在某种程度上是专用的。它缺乏更广泛框架中的原生多任务多功能性，几乎只专注于检测。此外，它的生态系统虽然很强大，但比围绕Ultralytics 模型的社区要小，这可能会限制第三方教程和小众数据集预训练权重的可用性。

了解有关YOLOv6的更多信息

YOLOX：简约和无锚创新

作者： Zheng Ge、Songtao Liu、Feng Wang、Zeming Li 和 Jian SunZheng Ge、Songtao Liu、Feng Wang、Zeming Li 和 Jian Sun
组织：Megvii
日期：2021-07-18
Arxiv:YOLOX: ExceedingYOLO Series in 2021
GitHub：Megvii-BaseDetection/YOLOX
文档：YOLOX 文档

YOLOX 将无锚点探测器引入主流YOLO 系列，代表了一种模式的转变。通过消除对预定义锚框的需求，它简化了设计过程，并提高了对不同物体形状的通用性。

架构和主要特性

YOLOX 集成了多项先进技术，在提高性能的同时保持了简洁的架构：

  • 解耦头：与之前使用耦合头（共享分类和定位特征）的YOLO 版本不同，YOLOX 将这些任务分离开来，收敛速度更快，准确性更高。
  • SimOTA 标签分配：这是一种先进的动态标签分配策略，它将训练过程视为一个最佳传输问题，以最小化成本的方式自动将正样本分配给地面真值。
  • 强大的增强功能：它大量使用了 MixUp和 Mosaic 增强技术，使模型即使在没有预训练骨干的情况下也能学习到强大的特征。

优势与劣势

YOLOX 在精确度和研究灵活性方面表现出色。它的无锚特性使其在检测具有不寻常长宽比的物体时尤为有效，在这些情况下往往优于基于锚的同类产品。YOLOX-Nano 型号的重量也非常轻（参数小于 1M），非常适合用于功耗极低的微控制器。

YOLOX 的缺点是，与YOLOv6 或YOLO11 等较新的模型相比，在相同精度水平下，YOLOX 的 FLOP 计算成本更高。它的训练流水线虽然有效，但由于复杂的动态标签分配计算，速度可能较慢，而且与高度优化的Ultralytics 实现相比，它在训练过程中通常需要更多的GPU 内存。

了解更多关于 YOLOX 的信息

性能比较：指标与分析

下表是COCO 数据集关键性能指标的正面比较。

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)
YOLOv6.0n64037.5-1.174.711.4
YOLOv6.0s64045.0-2.6618.545.3
YOLOv6.0m64050.0-5.2834.985.8
YOLOv6.0l64052.8-8.9559.6150.7
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

分析

这些数据凸显了设计理念上的明显分歧。 YOLOv6.0 在硬件感知效率方面占主导地位。例如 YOLOv6-3.0n 在 T4 GPU 上的推理时间达到了惊人的 1.17 毫秒，大大快于同类模型的典型基准测试。其 YOLOv6-3.0l 也超过了最大的 YOLOX 型号 (YOLOXx的准确度（52.8mAP 对 51.1mAP），同时使用了将近一半的 FLOPs.

YOLOX反之，则在超轻量级中获胜。钛 YOLOXnano YOLOX 的参数小于 100 万，很少有现代检测器能做到这一点，因此它非常适合特定的物联网应用，在这些应用中，内存存储是主要瓶颈，而不是计算速度。不过，对于通用检测，YOLOX 往往需要更多参数才能达到与YOLOv6 相当的精度。

硬件考虑因素

如果您的部署目标是现代NVIDIA ®）GPU （如 Jetson Orin、T4、A100），YOLOv6.0可能会因其专用骨干网而提供更好的吞吐量。如果您的目标是通用CPU 或存储限制非常严格的传统嵌入式系统，YOLOX Nano可能更适合您。

Ultralytics 的优势：为什么选择 YOLO11？

而YOLOv6 和 YOLOX 则为特定的利基市场提供强大的解决方案、 Ultralytics YOLO11代表了最先进的研究成果，为绝大多数开发人员提供了速度、准确性和可用性的卓越平衡。

无与伦比的多功能性和生态系统

与通常只专注于边界框检测的竞争对手不同，YOLO11 为广泛的计算机视觉任务提供本机支持，包括实例分割、姿势估计 、定向对象检测（旋转框检测）和分类。这样，开发人员就可以用一个框架来解决复杂的多阶段问题。

此外，Ultralytics 生态系统还得到了积极维护，确保与最新Python 版本、PyTorch 更新和部署目标（如 CoreML, OpenVINO和 ONNX.

效率和易用性

YOLO11 专为提高训练效率而设计，与transformer替代方案（如RT-DETR）或旧版YOLO 相比，通常需要更少的GPU 内存。这使得研究人员可以在消费级硬件上训练更大的模型。Python API 的设计非常简单，用户只需几行代码就能完成从安装到推理的整个过程：

from ultralytics import YOLO

# Load the YOLO11 model (n, s, m, l, or x)
model = YOLO("yolo11n.pt")

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

# Export to ONNX for deployment
model.export(format="onnx")

实际性能平衡

基准测试一致表明，YOLO11 实现了更高的 mAP分数，推理速度与YOLOv6 和 YOLOX 相当或更快。这种 "帕累托最优 "性能使其成为从自动驾驶汽车到医学成像分析等各种应用的推荐选择。

结论

在比较YOLOv6.0和YOLOX 时，选择在很大程度上取决于您的具体限制因素。YOLOv6.0是毫秒级延迟至关重要的严格工业GPU 部署的首选。YOLOX仍然是研究无锚架构和通过其 Nano 模型实现超约束存储环境的可靠选择。

然而，开发人员需要一个面向未来的解决方案，将顶级性能与易于使用、功能丰富的平台相结合、 Ultralytics YOLO11是绝对的赢家。它能够无缝处理多项任务，并提供大量文件和广泛的部署支持，加快了从概念到生产的开发周期。

探索其他比较，了解Ultralytics 模型与下列模型的对比情况 RT-DETR或 YOLOv7.


评论