Zum Inhalt springen

PP-YOLOE+ vs. YOLOv5: Detaillierter technischer Vergleich

Die Wahl des richtigen Objekterkennungsmodells ist für Computer-Vision-Aufgaben entscheidend. Diese Seite bietet einen technischen Vergleich zwischen PP-YOLOE+ und Ultralytics YOLOv5, zwei beliebten Modellen, die für ihre Leistung und Effizienz bei der Objekterkennung bekannt sind. Wir gehen auf ihre Architekturen, Leistungskennzahlen und geeigneten Anwendungen ein, damit Sie eine fundierte Entscheidung treffen können.

PP-YOLOE+

PP-YOLOE+, vorgestellt von den PaddlePaddle von Baidu am 02.04.2022(Arxiv-Link), ist ein ankerfreier, einstufiger Detektor, der für seine Effizienz und einfache Bereitstellung innerhalb des PaddlePaddle bekannt ist(GitHub-Link). Es betont hohe Leistung mit einer vereinfachten Konfiguration(Docs Link).

Architektur und Hauptmerkmale

PP-YOLOE+ baut auf der YOLO auf und bietet mehrere Verbesserungen:

  • Ankerfreies Design: Vereinfacht den Erkennungsprozess durch den Wegfall von Ankerboxen und reduziert die Abstimmung der Hyperparameter. Entdecken Sie ankerfreie Detektoren.
  • Grundgerüst: Verwendet ein ResNet-Backbone mit Verbesserungen für eine effiziente Merkmalsextraktion.
  • Hals: Verwendet ein Path Aggregation Network (PAN) für eine verbesserte Merkmalsfusion über verschiedene Skalen hinweg, ähnlich dem PANet von YOLOv5.
  • Entkoppelter Kopf: Trennt Klassifizierungs- und Regressionsköpfe und verbessert so die Genauigkeit und Trainingseffizienz.
  • Task Alignment Learning (TAL) Loss: Richtet Klassifizierungs- und Lokalisierungsaufgaben für präzisere Erkennungen aus. Erkunden Sie die Verlustfunktionen in Ultralytics Docs.

Leistung

PP-YOLOE+ ist auf ein ausgewogenes Verhältnis zwischen Genauigkeit und Geschwindigkeit ausgelegt. Auch wenn die spezifischen Metriken variieren, gilt es im Allgemeinen als recheneffizient, was es für Echtzeitanwendungen geeignet macht.

Anwendungsfälle

PP-YOLOE+ eignet sich hervorragend für Anwendungen, die eine robuste und effiziente Objekterkennung erfordern, wie z. B.:

Stärken und Schwächen

  • Stärken:
    • Die verankerungsfreie Konstruktion vereinfacht die Umsetzung.
    • Hohe Genauigkeit und effiziente Inferenzmöglichkeiten.
    • Gut dokumentiert und unterstützt durch das PaddlePaddle .
  • Schwachstellen:
    • Ökosystem-Lock-in für Benutzer außerhalb der PaddlePaddle .
    • Potenziell kleinere Gemeinschaft und weniger Ressourcen im Vergleich zu weit verbreiteten Modellen wie YOLOv5.

Erfahren Sie mehr über PP-YOLOE+

YOLOv5

Ultralytics YOLOv5, verfasst von Glenn Jocher von Ultralytics und veröffentlicht am 26.06.2020(GitHub Link), ist ein hochmodernes Objekterkennungsmodell, das für seine Geschwindigkeit, Genauigkeit und Benutzerfreundlichkeit bekannt ist. Es wurde vollständig in PyTorch entwickelt und ist sowohl für die Forschung als auch für praktische Anwendungen gedacht(Docs Link).

Architektur und Hauptmerkmale

YOLOv5 ist bekannt für seine schlanke und effiziente Architektur:

  • Backbone: CSPDarknet53, optimiert für effiziente Merkmalsextraktion.
  • Hals: PANet zur effektiven Generierung von Merkmalspyramiden und zur Verbesserung der mehrstufigen Merkmalsfusion.
  • Kopf: Ein Erkennungskopf mit einer einzigen Faltungsschicht für Einfachheit und Geschwindigkeit.
  • Datenerweiterung: Setzt starke Datenerweiterungstechniken wie Mosaic und MixUp ein, um die Robustheit der Modelle zu verbessern. Erfahren Sie mehr über Datenerweiterung.
  • Mehrere Modellgrößen: Bietet eine Reihe von Modellgrößen (n, s, m, l, x) für unterschiedliche Berechnungsanforderungen.

Leistung

YOLOv5 ist berühmt für sein ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit und ermöglicht die Objekterkennung in Echtzeit für verschiedene Modellgrößen. Es ist so konzipiert, dass es schnell und effizient ist, was es ideal für den Einsatz in verschiedenen Umgebungen macht. Weitere Details finden Sie in den YOLO .

Anwendungsfälle

Dank seiner Vielseitigkeit eignet sich YOLOv5 für eine breite Palette von Anwendungen:

Stärken und Schwächen

  • Stärken:
    • Außergewöhnliche Geschwindigkeit und Leistung in Echtzeit.
    • Flexibler Einsatz mit mehreren Modellgrößen.
    • Große und aktive Gemeinschaft mit umfangreicher Unterstützung. Werden Sie Mitglied der Ultralytics .
    • Einfache Bedienung, ausgezeichnete Dokumentation und Ultralytics HUB-Integration. Ultralytics HUB-Dokumentation.
  • Schwachstellen:
    • Größere Modelle können sehr rechenintensiv sein.
    • Ankergestützte Ansätze erfordern im Vergleich zu ankerlosen Methoden möglicherweise eine stärkere Anpassung an bestimmte Datensätze. Erfahren Sie mehr über ankerbasierte Detektoren.

Erfahren Sie mehr über YOLOv5

Leistungstabelle

Modell Größe
(Pixel)
mAPval
50-95
Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4TensorRT10
(ms)
params
(M)
FLOPs
(B)
PP-YOLOE+t 640 39.9 - 2.84 4.85 19.15
PP-YOLOE+s 640 43.7 - 2.62 7.93 17.36
PP-YOLOE+m 640 49.8 - 5.56 23.43 49.91
PP-YOLOE+l 640 52.9 - 8.36 52.2 110.07
PP-YOLOE+x 640 54.7 - 14.3 98.42 206.59
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4

Schlussfolgerung

Sowohl PP-YOLOE+ als auch YOLOv5 sind robuste Modelle zur Objekterkennung. PP-YOLOE+ bietet einen effizienten verankerungsfreien Ansatz, der vor allem innerhalb des PaddlePaddle von Vorteil ist. Ultralytics YOLOv5 eignet sich hervorragend für Echtzeitanwendungen und bietet Geschwindigkeitsoptimierungen und eine breite Palette von Modellgrößen, unterstützt durch eine große Community und ein umfassendes Ökosystem.

Die Benutzer könnten auch daran interessiert sein, andereYOLO Ultralytics zu erkunden, wie z. B.:

  • YOLOv7, bekannt für seine Geschwindigkeit und Effizienz.
  • YOLOv8, das neueste Ultralytics mit modernster Leistung.
  • YOLO11, die neueste Version, die sich auf Effizienz und Genauigkeit konzentriert.
  • YOLOv9, die sowohl in Bezug auf die Genauigkeit als auch auf die Geschwindigkeit Fortschritte macht.

Die Wahl zwischen PP-YOLOE+ und YOLOv5 hängt von den Projektanforderungen, den bevorzugten Rahmenbedingungen und dem erforderlichen Gleichgewicht zwischen Geschwindigkeit und Genauigkeit ab.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare