跳转至内容

YOLOv7 与 YOLOv6-3.0：目标检测的详细模型比较

在计算机视觉项目中，选择最佳目标检测模型是一项关键决策，需要在准确性、速度和资源使用之间取得平衡。本页提供了 YOLOv7 和 YOLOv6-3.0 这两个以其目标检测能力而闻名的突出模型之间的详细技术比较。我们将深入研究它们的架构、性能基准和适用应用，以指导您的模型选择过程。

YOLOv7：准确性和高级技术

YOLOv7由中国台湾中研院信息科学研究所的研究人员开发，代表了实时对象检测方面的一个重大进步，专注于在保持效率的同时实现高精度。

作者： Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
组织： 台湾中研院资讯科学研究所
日期： 2022-07-06
Arxiv： https://arxiv.org/abs/2207.02696
GitHub： https://github.com/WongKinYiu/yolov7
文档： https://docs.ultralytics.com/models/yolov7/

架构和主要特性

YOLOv7 引入了几项架构创新和训练策略，旨在提高性能，而不会显着增加推理成本。主要功能包括：

  • E-ELAN (扩展高效层聚合网络)： 模型骨干网络中的这个核心组件增强了网络有效学习特征的能力，提高了参数和计算效率。更多详细信息请参见原始论文。
  • 模型缩放： 实施了用于模型深度和宽度的复合缩放方法，从而根据基于连接的模型原理优化了不同模型尺寸的性能。
  • 辅助头训练： 在训练阶段利用辅助头来加强特征学习，这些头在推理时会被移除，以保持速度。这个概念与其他神经网络中使用的深度监督技术有关。
  • “Bag-of-Freebies” 增强： 采用高级训练技术，如 数据增强 和标签分配优化，以提高准确性，而不会增加额外的推理成本。

优势

  • 高精度： 在 COCO 数据集 等基准测试中实现了最先进的精度。
  • 效率： 在高精度和有竞争力的推理速度之间取得平衡，适合 实时推理。
  • 多功能性： 官方存储库显示支持检测以外的任务，包括姿势估计和实例分割。

弱点

  • 复杂性： 相比于像 YOLOv5 这样更简单的架构，高级架构特性和训练技术会使模型更难理解和微调。
  • 资源密集型训练： 较大的YOLOv7变体（例如，YOLOv7-E6E）需要大量的计算资源来进行训练。

了解更多关于 YOLOv7 的信息

YOLOv6-3.0：工业效率和速度

YOLOv6-3.0 由美团开发，专为需要高性能对象检测的工业应用而设计，并侧重于速度和效率。3.0 版本显著增强了其前代产品，提供了更高的准确性和更快的推理时间。

作者： Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu, 和 Xiangxiang Chu
机构： 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/

架构和主要特性

YOLOv6-3.0 在设计时考虑了部署，具有多个优先考虑推理速度的关键架构选择。

  • 硬件感知设计： 该架构通过使用 RepVGG 风格的可重参数化块，专为在各种硬件平台（尤其是 GPU）上实现高效性能而量身定制。
  • EfficientRep Backbone and Rep-PAN Neck: 这些结构旨在减少计算瓶颈和内存访问成本，从而直接转化为更快的推理速度。
  • 解耦头： 分离分类和定位头，这已被证明可以提高收敛性和最终模型准确性，这种技术也见于像YOLOX这样的模型中。

优势

  • 推理速度快： 针对快速推理进行了优化，使其非常适合延迟是关键因素的实时应用。
  • 工业重点： 专为工业部署场景而设计，确保在制造业等实际环境中的稳健性和效率。
  • 高效设计： YOLOv6-3.0 的较小变体具有非常低的参数和 FLOP 计数，使其成为资源受限环境的理想选择。

弱点

  • 精度权衡： 虽然效率很高，但在复杂的数据集上，与 YOLOv7 等优先考虑最大精度的模型相比，它的精度可能会略低。
  • 生态系统与多功能性： YOLOv6周围的生态系统不如Ultralytics模型那样全面，并且主要集中在目标检测上。

应用案例

YOLOv6-3.0 在速度和效率至关重要的应用中表现出色：

  • 工业自动化： 制造业中的质量控制和过程监控。
  • 实时系统： 适用于对延迟有严格要求的应用，如机器人技术和监控。
  • 边缘计算： 由于其高效的设计，可以部署在资源受限的设备上。查看关于部署到 NVIDIA Jetson 等设备的指南。

了解更多关于 YOLOv6-3.0 的信息

性能对比：YOLOv7 vs YOLOv6-3.0

下表总结了 COCO 数据集上 YOLOv7 和 YOLOv6-3.0 的可比变体的性能指标。

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)
YOLOv7l 640 51.4 - 6.84 36.9 104.7
YOLOv7x 640 53.1 - 11.57 71.3 189.9
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

注意：速度基准可能因硬件、软件（TensorRT、ONNX、OpenVINO）、批量大小和特定配置而异。mAP 值通常在 COCO val 数据集上报告。

根据该表，YOLOv7x 实现了最高的 mAP，表明其具有卓越的准确性。然而，YOLOv6-3.0 模型，特别是像 YOLOv6-3.0n 这样的小型变体，提供了明显更快的推理速度，尤其是在使用 TensorRT 优化的 GPU 上，并且具有更少的参数和 FLOP，使其非常高效。选择取决于优先考虑最大准确性 (YOLOv7) 还是最佳速度/效率 (YOLOv6-3.0)。

为什么选择 Ultralytics YOLO 模型？

对于在全面且易于使用的生态系统中寻求最先进模型的使用者，Ultralytics 提供了 YOLOv8 和最新的 Ultralytics YOLO11。这些模型相比 YOLOv7 和 YOLOv6 具有显著优势。

  • 易用性： Ultralytics 模型随附简化的 Python API、丰富的 文档 和简单的 CLI 命令，从而简化了训练、验证和部署。
  • 完善的维护生态系统： 受益于积极的开发、强大的开源社区、频繁的更新以及与 Ultralytics HUB 等工具的集成，以实现无缝 MLOps。
  • 性能平衡： Ultralytics 模型在速度和准确性之间实现了出色的平衡，适用于从边缘设备到云服务器的各种实际场景。
  • 多功能性： 像 YOLOv8 和 YOLO11 这样的模型支持对象检测以外的多种任务，包括分割、分类、姿势估计和旋转框检测 (OBB)，从而提供统一的解决方案。
  • 训练效率： 受益于高效的训练过程、COCO 等数据集上随时可用的预训练权重以及更快的收敛时间。

如需进一步探索，您可能还会发现与其他模型的比较分析也很有帮助，例如 RT-DETR。



📅 1 年前创建 ✏️ 1 个月前更新
glenn-jocher

评论