PP-YOLOE+ vs. YOLOv7: Ein technischer Vergleich zur Objekterkennung
Die Auswahl des richtigen Objekterkennungsmodells ist für Computer-Vision-Aufgaben entscheidend. Diese Seite bietet einen detaillierten technischen Vergleich zwischen PP-YOLOE+ und YOLOv7, zwei Modellen auf dem neuesten Stand der Technik, um Ihnen eine fundierte Entscheidung zu ermöglichen. Wir werden ihre Architektur, Leistungsbenchmarks und idealen Anwendungen untersuchen.
YOLOv7: Optimiert für Geschwindigkeit und Effizienz
YOLOv7 aus der YOLO ist bekannt für seine Konzentration auf die Objekterkennung in Echtzeit bei gleichzeitig hoher Effizienz. Es wurde von Chien-Yao Wang, Alexey Bochkovskiy und Hong-Yuan Mark Liao vom Institute of Information Science, Academia Sinica, Taiwan, entwickelt und am 2022-07-06 veröffentlicht.
- Architektur: YOLOv7 verwendet ein Extended Efficient Layer Aggregation Network (E-ELAN) in seinem Backbone, um das Netzwerklernen zu verbessern. Es beinhaltet auch eine Neuparametrisierung des Modells und ein grob- bis feinkörniges, leitfadengestütztes Training, um die Genauigkeit zu verbessern, ohne die Geschwindigkeit der Schlussfolgerungen wesentlich zu beeinträchtigen.
- Leistung: YOLOv7 schafft ein hervorragendes Gleichgewicht zwischen Geschwindigkeit und Genauigkeit. Modelle wie
YOLOv7lundYOLOv7xzeigen hohe mAP-Werte mit schnellen Inferenzgeschwindigkeiten, insbesondere wenn sie mit TensorRT optimiert werden. - Anwendungsfälle: Die Geschwindigkeit von YOLOv7 eignet sich für Echtzeitanwendungen wie Sicherheitsalarmsysteme, Geschwindigkeitsschätzungen und Robotersysteme, bei denen eine geringe Latenzzeit entscheidend ist. Seine Effizienz ermöglicht auch den Einsatz auf Edge-Geräten wie NVIDIA Jetson.
PP-YOLOE+: Verankerungsfrei und vielseitig
PP-YOLOE+, entwickelt von den PaddlePaddle bei Baidu und veröffentlicht am 02.04.2022, ist ein ankerfreies Objekterkennungsmodell von PaddleDetection. Es zeichnet sich durch Einfachheit und hohe Leistung aus.
- Architektur: PP-YOLOE+ verwendet einen ankerfreien Ansatz, der das Modelldesign vereinfacht und die Abstimmung der Hyperparameter reduziert. Es verfügt über einen entkoppelten Kopf und VariFocal Loss für eine verbesserte Klassifizierung und Lokalisierung. PP-YOLOE+ baut auf dem Basismodell PP-YOLOE auf und bietet Verbesserungen in den Bereichen Wirbelsäule, Hals und Kopf für eine höhere Genauigkeit und Effizienz.
- Leistung: Die PP-YOLOE+-Modelle bieten ein gutes Gleichgewicht zwischen Genauigkeit und Geschwindigkeit. Verschiedene Größen (t, s, m, l, x) bieten wettbewerbsfähige mAP-Ergebnisse und schnelle TensorRT , wodurch sie an unterschiedliche Bedürfnisse angepasst werden können.
- Anwendungsfälle: Das verankerungsfreie Design und die ausgewogene Leistung von PP-YOLOE+ machen es vielseitig einsetzbar für Anwendungen wie industrielle Qualitätskontrolle, Recyclingeffizienz und Szenarien, die eine robuste und genaue Erkennung ohne Geschwindigkeitseinbußen erfordern. Seine Effizienz ermöglicht den Einsatz auf verschiedenen Hardware-Plattformen.
PP-YOLOE+ Dokumentation (PaddleDetection)
Modell-Vergleichstabelle
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Schlussfolgerung
Sowohl YOLOv7 als auch PP-YOLOE+ sind leistungsstarke Objekterkennungsmodelle mit eindeutigen Vorteilen. YOLOv7 zeichnet sich durch Schnelligkeit und Effizienz aus und ist daher ideal für Echtzeit- und Randanwendungen. PP-YOLOE+ bietet mit seinem verankerungsfreien Design und seiner ausgewogenen Leistung eine vielseitige und einfachere Lösung für eine breite Palette von Anwendungsfällen.
Für diejenigen, die nach anderen Optionen suchen, bietet Ultralytics eine breite Palette von YOLO an, darunter YOLOv8, YOLOv9, YOLO10, YOLO11und RT-DETR, die jeweils für unterschiedliche Leistungsmerkmale und Anwendungsanforderungen optimiert sind. Erforschen Sie diese Modelle, um die beste Lösung für Ihr spezifisches Computer-Vision-Projekt zu finden, und nutzen Sie Ultralytics HUB, um Ihre Modellschulung und Ihre Arbeitsabläufe zu optimieren.
