YOLO v26, YOLO v11 и RT-DETR | Сравнение производительности обнаружения объектов в реальном времени

Описание: В этом видео мы подробно рассмотрим новейшую модель обнаружения объектов YOLO v26, выпущенную компанией Ultralytics. Мы объясним ключевые архитектурные улучшения в YOLO v26, включая удаление функции потерь Distribution Focal Loss, нативный сквозной вывод без NMS и оптимизации, специально разработанные для периферийных устройств и вывода на основе ЦП.

Мы сравним YOLO v26 с YOLO v11, а также проведем сравнительный анализ с моделями на основе трансформеров, такими как RT-DETR, чтобы оценить точность, скорость вывода, время постобработки и производительность в реальных условиях на многолюдных сценах и при обнаружении мелких объектов.
Вы увидите практические демонстрации, сравнение оценок достоверности и тесты вывода видео в реальном времени, чтобы понять, в чем YOLO v26 превосходит конкурентов и каковы ее компромиссы.

Ресурсы:
Блокнот: https://github.com/Labellerr/Hands-On...

Главы
0:00 Введение: Ultralytics выпускает YOLO V26
0:34 Обзор руководства: Изучение архитектуры и производительности YOLO V26
1:05 Анализ исследовательской работы: Фокус на оптимизации периферийных устройств
1:48 Архитектурное улучшение 1: Удаление потерь распределения фокусировки (DFL)
2:54 Архитектурное улучшение 2: Сквозной вывод без NMS
3:40 Упрощенная архитектурная диаграмма и улучшения обучения
4:28 Практическая демонстрация: Настройка сравнительного анализа производительности 5:14 Тест 1: Производительность обнаружения мелких объектов (YOLO 26 против YOLO 11)
6:36 Анализ результатов: Уровни достоверности и точность обнаружения
8:01 Тест 2: Скорость постобработки и влияние удаления NMS
8:45 Тест 3: Сравнение с RT-DETR при обнаружении мелких объектов
9:29 Анализ перекрытия: Качество ограничивающих рамок YOLO 26 против RT-DETR
10:02 Тест 4: Скорость постобработки по сравнению с RT-DETR
10:25 Тест 5: Анализ видео в реальном времени и использование ресурсов
11:05 Результаты: Время вывода и сравнение использования ЦП/ГП
11:36 Заключение: Оптимизация краев и сводка производительности YOLO V26
11:52 Дополнительные ресурсы: Репозиторий GitHub и руководства

Хотите узнать больше о наших услугах?
Веб-сайт: https://www.labellerr.com
Заказать демонстрацию: https://www.labellerr.com/book-a-demo

Найдите нас в социальных сетях:
LinkedIn:   / labellerr  
Twitter: https://x.com/Labellerr1

#YOLOv26 #yolo #Ultralytics #ObjectDetection #ComputerVision #EdgeAI #realtimedetection #DeepLearning #AI #MachineLearning #YOLOComparison #rtdetr #yolov11 #visionai #aimodels #EdgeDevices #ModelBenchmark #InferenceSpeed ​​#NMSFree #aiengineering