Comparação das Versões do YOLO: do YOLOv1 ao YOLOv8

Guia completo sobre a evolução do YOLO (You Only Look Once) ao longo de suas diferentes versões.

1. YOLOv1 a YOLOv5

1.1 YOLOv1 (2015)

• Primeira versão, criada por Joseph Redmon
• Arquitetura simples com 24 camadas de convolução
• Limitações:
  • Baixa precisão em objetos pequenos
  • Dificuldade com objetos próximos
  • Sem detecção multiescala

1.2 YOLOv2 (2016)

• Principais melhorias:
  • Batch Normalization
  • Anchors boxes
  • Dimension clustering
  • Fine-grained features
  • Multi-scale training

1.3 YOLOv3 (2018)

• Principais características:
  • Detecção multiescala
  • Feature Pyramid Network (FPN)
  • Melhor tratamento de objetos pequenos
  • Suporte a 80 classes

1.4 YOLOv4 (2020)

• Melhorias significativas:
  • Mosaic augmentation
  • CSP (Cross Stage Partial Network)
  • PANet
  • SAM (Spatial Attention Module)
  • Melhor precisão e velocidade

1.5 YOLOv5 (2020)

• Desenvolvida pela Ultralytics
• Características:
  • Auto-learning bounding box anchors
  • Mosaic augmentation
  • Multi-scale training
  • Suporte a vários frameworks

2. YOLOv6 e YOLOv7

2.1 YOLOv6 (2022)

• Desenvolvida pela Meituan
• Melhorias:
  • RepVGG backbone
  • CSPVoVNet neck
  • Melhor desempenho em dispositivos móveis
  • Otimização para inferência

2.2 YOLOv7 (2022)

• Desenvolvida por WongKinYiu
• Inovações:
  • E-ELAN (Extended Efficient Layer Aggregation Network)
  • Model scaling
  • Auxiliary head
  • Melhor precisão que o YOLOv5

3. YOLOv8 (2023)

3.1 Principais Características

# Installation
pip install ultralytics

# Import
from ultralytics import YOLO

# Modèles disponibles
model_nano = YOLO('yolov8n.pt')    # Nano
model_small = YOLO('yolov8s.pt')   # Small
model_medium = YOLO('yolov8m.pt')  # Medium
model_large = YOLO('yolov8l.pt')   # Large
model_xlarge = YOLO('yolov8x.pt')  # XLarge

3.2 Melhorias

1. Arquitetura

   • Novo backbone CSP
   • Melhor tratamento das características
   • Otimização para inferência

2. Desempenho

   • Velocidade de inferência aprimorada
   • Melhor precisão
   • Suporte a múltiplas tarefas

3. Funcionalidades

   • Detecção de objetos
   • Segmentação de instâncias
   • Classificação de imagens
   • Pose estimation

4. Comparação de Desempenho

4.1 Métricas

def benchmark_yolo_versions():
    # Configuration
    test_image = "path/to/test/image.jpg"
    
    # Test des différentes versions
    versions = {
        'v5': YOLO('yolov5n.pt'),
        'v6': YOLO('yolov6n.pt'),
        'v7': YOLO('yolov7n.pt'),
        'v8': YOLO('yolov8n.pt')
    }
    
    results = {}
    for version, model in versions.items():
        # Mesure du temps d'inférence
        start_time = time.time()
        results[version] = model(test_image)
        inference_time = time.time() - start_time
        
        print(f"YOLO{version}:")
        print(f"Temps d'inférence: {inference_time:.2f}s")
        print(f"Nombre de détections: {len(results[version][0].boxes)}")
        print(f"Précision moyenne: {results[version][0].boxes.conf.mean():.2f}")

4.2 Tabela Comparativa

Versão	Velocidade	Precisão	Memória	Funcionalidades
v5	Base	Base	Base	Base
v6	+10%	+3%	-5%	+1 nova
v7	+15%	+5%	-8%	+2 novas
v8	+20%	+7%	-10%	+3 novas

5. Aplicações Práticas

5.1 Detecção em Tempo Real

def real_time_detection():
    # Initialisation
    cap = cv2.VideoCapture(0)
    model = YOLO('yolov8n.pt')  # Utilisation de YOLOv8
    
    while cap.isOpened():
        success, frame = cap.read()
        if not success:
            continue
        
        # Détection
        results = model(frame)
        
        # Visualisation
        annotated_frame = results[0].plot()
        
        # Affichage
        cv2.imshow('YOLOv8 Detection', annotated_frame)
        
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
    
    cap.release()
    cv2.destroyAllWindows()

5.2 Segmentação de Instâncias

def instance_segmentation():
    # Initialisation
    model = YOLO('yolov8n-seg.pt')
    
    # Segmentation
    results = model('path/to/image.jpg')
    
    # Visualisation
    for result in results:
        # Masques de segmentation
        masks = result.masks
        # Boîtes de détection
        boxes = result.boxes
        
        # Visualisation
        annotated_frame = result.plot()
        cv2.imshow('Segmentation', annotated_frame)
        cv2.waitKey(0)
        cv2.destroyAllWindows()

6. Boas Práticas

1. Escolha da Versão

   • v5 para aplicações básicas
   • v6 para aplicações móveis
   • v7 para aplicações avançadas
   • v8 para aplicações inovadoras

2. Otimização

   • Usar aceleração por GPU
   • Ajustar os limiares de confiança
   • Otimizar o tamanho do batch

3. Implantação

   • Exportar no formato apropriado
   • Usar aceleração de hardware
   • Implementar um sistema de cache

Conclusão

Pontos-chave:

• Evolução significativa do desempenho
• Novas funcionalidades a cada versão
• Otimização contínua para inferência
• Suporte a múltiplas tarefas com o YOLOv8

Recomendações:

• Escolher a versão de acordo com as necessidades
• Otimizar o desempenho
• Usar aceleração de hardware
• Implementar um tratamento robusto de erros