跳转至内容

YOLOv8 与YOLO-YOLO：全面技术比较

在快速发展的计算机视觉领域，选择正确的物体检测模型对于项目的成功至关重要。本比较深入探讨了 Ultralytics YOLOv8和YOLO 之间的技术细节。虽然这两种模型都在速度和准确性上有所突破，但它们满足了从学术研究到生产级部署的不同需求和用户群。

执行摘要

YOLOv8由 Ultralytics是YOLO 系列中以用户为中心的多功能进化版。YOLOv8 于 2023 年初推出，它优先采用了一个支持多种任务的统一框架--检测、分割、分类、姿势估计 和旋转框检测，并由一个强大、维护良好的生态系统提供支持。

YOLO 由阿里巴巴集团于 2022 年底发布，主要侧重于源自神经架构搜索（NAS）的架构创新和先进的特征融合技术。它主要针对 GPU 上的高吞吐量物体检测而设计。

建筑创新

这两种模型的核心区别在于它们的设计理念。YOLOv8 强调易用性和通用性，而YOLO 则针对特定性能指标进行架构优化。

Ultralytics YOLOv8：完善与统一

YOLOv8 在前代产品成功的基础上，引入了最先进的无锚检测头。这种解耦头可独立处理对象性、分类和回归任务，从而提高了收敛速度和准确性。

主要建筑特色包括

  • C2f 模块：C2f（带 2 个瓶颈的跨阶段部分）模块取代了 C3 模块，在保持轻量级占用空间的同时，改进了梯度流和特征表示。
  • 无锚设计：无需预定义锚框，减少了超参数的数量，简化了训练过程，提高了在不同数据集上的泛化能力。
  • 马赛克数据增强：经过优化的管道，可增强模型在复杂场景和不同尺度中detect 物体的能力。

了解更多关于 YOLOv8 的信息

DAMO-YOLO：研究驱动的优化

DAMO-YOLO （"发现、探险、动力和展望"）整合了多个先进的研究理念，以最大限度地发挥结构的性能。

关键技术包括

  • MAE-NAS 主干网：它利用神经架构搜索（NAS）自动发现高效的主干结构，优化延迟和准确性之间的权衡。
  • RepGFPN Neck：高效 RepGFPN（广义特征金字塔网络）改进了不同尺度的特征融合，这对检测不同大小的物体至关重要。
  • ZeroHead：轻量级磁头设计，可降低计算复杂度（FLOPs），同时不会明显降低检测性能。
  • AlignedOTA：一种动态标签分配策略，可解决训练过程中分类和回归任务之间的错位问题。

了解更多关于 DAMO-YOLO 的信息

性能指标

性能往往是工程师的决定性因素。下表详细比较了COCO 数据集的关键指标。

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)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8
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

分析

  • 顶级精度：最大的 YOLOv8x型号达到了53.9mAP 的最高精度，超过了最大的YOLO 变体。这使得YOLOv8 成为医疗图像分析或安全关键型系统等对精度要求极高的应用的首选。
  • 推理速度：YOLOv8n(Nano) 在速度方面占据优势，T4GPU 仅需1.47 毫秒，CPU 仅需80.4 毫秒。这种出色的速度对于在边缘设备上进行实时推理至关重要。
  • 效率： YOLOv8 具有卓越的参数效率。例如，与 DAMO-YOLOt 的 8.5M 参数相比，YOLOv8n 仅使用了3.2M 参数，但却能提供极具竞争力的性能。这种较低的内存占用对于在Raspberry Pi 等资源有限的硬件上部署至关重要。
  • CPU 性能： Ultralytics 提供透明的CPU 基准，而YOLO 缺乏官方CPU 数据。对于许多无法使用专用 GPU 的企业来说，YOLOv8 久经考验的CPU 性能是一项重大优势。

部署灵活性

YOLOv8 模型可以轻松导出为各种格式，包括ONNX、TensorRT、CoreML 和TFLite 。 yolo export 命令。这 模型部署 该功能可确保无缝集成到各种生产环境中。

可用性和生态系统

研究模型与生产工具之间的差距往往取决于其生态系统和易用性。

Ultralytics 生态系统优势

YOLOv8 不仅仅是一个模型，它还是综合平台的一部分。Ultralytics 生态系统可提供

  • 简单的应用程序接口：统一的Python 界面使开发人员只需不到五行代码就能训练、验证和部署模型。
  • 广泛的文档：详细的指南、教程和词汇表可帮助用户浏览复杂的计算机视觉概念。
  • 社区支持：GitHub 和 Discord 上活跃的社区可确保快速解决问题。
  • 集成：本机支持以下工具 Weights & Biases, Comet和 Roboflow简化了 MLOps 流程。

YOLO 可用性

YOLO 主要是一个研究资源库。虽然它提供了令人印象深刻的技术，但需要较高的学习曲线。用户通常需要手动配置环境并浏览复杂的代码库，以便根据自定义数据集调整模型。它缺乏Ultralytics 框架中广泛的多任务支持（分割、姿势估计等）。

应用案例与应用

YOLOv8的理想场景

  • 多任务视觉系统：需要同时进行物体检测、实例分割和姿势估计 项目。
  • 边缘人工智能：在NVIDIA Jetson 或手机等设备上部署，内存效率和低延迟至关重要。
  • 快速原型开发：需要从数据收集到模型部署快速迭代的初创企业和研发团队。
  • 工业自动化：使用质量检测的生产线，需要可靠性和标准集成。

YOLO的理想场景

  • GPU服务器：高吞吐量云服务，通过强大的 GPU 处理大批量图像。
  • 学术研究：研究人员正在调查对象检测架构中 NAS 和蒸馏技术的功效。

培训范例：YOLOv8

体验Ultralytics API 的简易性。以下代码片段演示了如何加载预训练的YOLOv8 模型，并在自定义数据集上对其进行微调。

from ultralytics import YOLO

# Load a pre-trained YOLOv8 model
model = YOLO("yolov8n.pt")

# Train the model on your custom data
# The data argument points to a YAML file describing your dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

这种简单明了的工作流程与YOLO 等研究型模型通常需要的繁重配置形成鲜明对比。

结论

这两种架构都代表了计算机视觉领域的重大成就。YOLO引入了令人瞩目的创新技术，如 ZeroHead 和 MAE-NAS，使其成为特定高性能GPU 任务的有力竞争者。

然而，对于绝大多数开发人员和组织而言，Ultralytics 并不适合他们、 Ultralytics YOLOv8仍然是最佳选择。它无与伦比的多功能性、全面的文档和充满活力的生态系统减少了采用人工智能的摩擦。无论您是在高速公路上优化速度估算，还是在实验室中执行细粒度组织分割，YOLOv8 都能提供均衡的性能和必要的工具，让您的解决方案高效地投入生产。

探索其他模型

比较型号是找到适合您特定需求的工具的最佳方法。查看其他比较：


评论