LibreYOLO 基准测试
COCO
精度与尺寸对比
比较各种架构在相应参数量下能获得多少精度。图表来自 LibreYOLO 的兄弟项目 visionanalysis.org，该项目实测模型在 COCO 上的表现、不同真实硬件上的延迟，以及 RF100-VL 基准测试结果。
RF100-VL
这些结果在你的数据上还能成立吗？
COCO 数据通常不是你最终得到的分数。它只是对最终分数的一个提示，因为大多数项目从 COCO 预训练权重开始，再进行微调；它也是让论文保持可比性的通用标尺。这确实有价值，但并不是你真正需要的东西。
你真正需要的是泛化能力：架构、预训练权重和训练配方在完全不像 COCO 的数据上是否仍然有效。因此 Roboflow 构建了 RF100-VL。模型需要依次在 100 个真实数据集上训练来取得分数。有的数据集每张图像包含数千个目标，有的只提供几十张图像供模型学习。传送带上的药片、胸部 X 光片、麻将牌、瓦螨、野火烟雾。
选择模型时，应将它与延迟、许可证以及你愿意花多少精力处理训练代码一起，视为多个参考因素之一。不要把它当成只需看榜首的排名。
Sports · 6
Document · 10
Aerial · 11
Medical · 13
Other · 15
Industrial · 22
Flora and Fauna · 23
RF100-VL
100 个真实数据集，7 个领域
延迟
在你的硬件上足够快吗？
精度不随硬件变化。数据中心 GPU 与树莓派之间的速度相差两个数量级，因此唯一重要的是模型在你实际部署的开发板上的实测数据。