PP-YOLOE+ im Vergleich zu YOLOv9#

Die Echtzeit-Bildverarbeitung entwickelt sich ständig weiter: Forschende und Entwickler verschieben kontinuierlich die Grenzen bei Genauigkeit und Inferenzgeschwindigkeit. Im Vergleich von PP-YOLOE+ und YOLOv9 betrachten wir zwei unterschiedliche Ansätze für die Modellarchitektur und das Ökosystem.

Dieser umfassende technische Vergleich analysiert ihre Architekturinnovationen, Leistungskennzahlen, Trainingsmethoden und idealen Einsatzbereiche, damit du das passende Objekterkennungsmodell für deine nächste Bereitstellung auswählen kannst.

Modellherkunft und technische Grundlagen#

Um herauszufinden, ob diese Modelle zu deinen Bildverarbeitungsprojekten passen, ist es wichtig, ihre Ursprünge und Architekturentscheidungen zu verstehen.

PP-YOLOE+ im Überblick#

PP-YOLOE+ wurde von den PaddlePaddle-Autoren bei Baidu entwickelt und am 2. April 2022 vorgestellt. Es baut auf früheren Versionen des PaddleDetection-Frameworks auf und ermöglicht eine leistungsstarke Objekterkennung.

• Autoren: PaddlePaddle-Autoren
• Organisation: Baidu
• Datum: 2022-04-02
• ArXiv: 2203.16250
• GitHub: PaddleDetection-Repository

PP-YOLOE+ bietet eine robuste anchorfreie Architektur, die umfassend für den Einsatz im PaddlePaddle-Ökosystem optimiert ist. Das Modell verwendet ein modifiziertes CSPRepResNet-Backbone und einen ET-Head, um die Merkmalsextraktion und die Regression von Begrenzungsrahmen zu verbessern. Trotz hoher mittlerer durchschnittlicher Präzision (mAP) kann die Abhängigkeit vom PaddlePaddle-Framework die Integration für Entwickler erschweren, die mit PyTorch oder TensorFlow arbeiten.

Erfahre mehr über PP-YOLOE+

Überblick über YOLOv9#

YOLOv9 wurde von Chien-Yao Wang und Hong-Yuan Mark Liao vom Institute of Information Science der Academia Sinica in Taiwan vorgestellt. Das Modell ist ein wichtiger Fortschritt bei der effizienten Verarbeitung von Informationsengpässen im Deep Learning.

• Autoren: Chien-Yao Wang und Hong-Yuan Mark Liao
• Organisation: Institute of Information Science, Academia Sinica, Taiwan
• Datum: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

Der wichtigste Durchbruch von YOLOv9 ist Programmierbare Gradienteninformation (PGI), die Datenverluste verhindert, während Merkmale tiefe neuronale Netze durchlaufen. Zusammen mit dem Generalized Efficient Layer Aggregation Network (GELAN) maximiert YOLOv9 die Parametereffizienz und den Berechnungsfluss. Außerdem ist das Modell direkt in das Ultralytics-Ökosystem integriert und damit für Forschung und kommerzielle Anwendungen leicht zugänglich.

Mehr über YOLOv9 erfahren

Leistungs- und Metrikvergleich#

Bei der Analyse der reinen Leistung zeigt YOLOv9 eine außergewöhnliche Parametereffizienz. Das Modell erreicht eine vergleichbare oder höhere Genauigkeit und benötigt dabei weniger Parameter und FLOPs. Dadurch sinkt der VRAM-Bedarf beim Modelltraining.

Wie die Tabelle zeigt, erreicht YOLOv9c starke 53,0 mAP und benötigt deutlich weniger Parameter (25,5M) als das vergleichbare PP-YOLOE+l (52,2M). Dank des geringeren Speicherbedarfs ist YOLOv9 die bessere Wahl für Entwickler mit begrenzten GPU-Ressourcen.

Ökosystem, Vielseitigkeit und Benutzerfreundlichkeit#

Der entscheidende Vorteil von YOLOv9 liegt in der nahtlosen Integration in das gut gepflegte Ultralytics-Ökosystem. Während PP-YOLOE+ komplexe PaddlePaddle-Konfigurationsdateien erfordert, bietet YOLOv9 eine optimierte Python-API.

Die Ultralytics-Python-API ermöglicht es Entwicklern, vortrainierte Gewichte zu laden, die Datenaugmentierung zu verwalten und das Training mit minimalem Grundgerüstcode zu starten.

from ultralytics import YOLO

# Ein vortrainiertes YOLOv9-Modell laden
model = YOLO("yolov9c.pt")

# Das Modell mit dem COCO8-Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Eine Inferenz auf einem Bild ausführen
results = model("https://ultralytics.com/images/bus.jpg")

# Exportiere das Modell in das ONNX-Format
model.export(format="onnx")

Darüber hinaus bietet das Ultralytics-Ökosystem eine unvergleichliche Vielseitigkeit. Neben der Erkennung von Begrenzungsrahmen unterstützt das Framework von Haus aus Instanzsegmentierung, Posenschätzung und die Erkennung orientierter Begrenzungsrahmen (OBB). So lässt sich dein Modell äußerst effizient an komplexe Pipelines für reale Einsatzszenarien anpassen.

Anwendungsfälle und Empfehlungen#

Ob PP-YOLOE+ oder YOLOv9 besser geeignet ist, hängt von den konkreten Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim Ökosystem ab.

Wann du PP-YOLOE+ wählen solltest#

PP-YOLOE+ eignet sich besonders für:

• Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
• Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
• Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.

Wann du YOLOv9 wählen solltest#

YOLOv9 empfiehlt sich für:

• Forschung zu Informationsengpässen: Akademische Projekte, die programmierbare Gradienteninformationen (PGI) und Architekturen mit effizienten, verallgemeinerten Schichtaggregationsnetzwerken (GELAN) untersuchen.
• Studien zur Optimierung des Gradientenflusses: Forschung, die darauf abzielt, Informationsverluste in tiefen Netzwerkschichten während des Trainings zu verstehen und zu verringern.
• Benchmarking hochgenauer Erkennung: Szenarien, in denen die starke COCO-Benchmarkleistung von YOLOv9 als Vergleichsmaßstab für Architekturvergleiche benötigt wird.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

• NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
• Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, auf denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.

Ein Blick in die Zukunft: Die Vorteile von YOLO26#

PP-YOLOE+ und YOLOv9 sind beide leistungsstark. Das neu veröffentlichte YOLO26 ist jedoch der entscheidende nächste Schritt für Produktionsumgebungen. YOLO26 wurde im Januar 2026 veröffentlicht und setzt einen neuen Maßstab für Edge Computing und Cloud-Bereitstellungen. Dank seiner bahnbrechenden Innovationen empfehlen wir YOLO26 ausdrücklich für alle neuen Bildverarbeitungsprojekte:

• End-to-End-Design ohne NMS: YOLO26 unterstützt native End-to-End-Inferenz. Bei der Ausführung mit nms=False entfällt dadurch die Nachverarbeitung durch Non-Maximum Suppression (NMS). Das vereinfacht Bereitstellungspipelines erheblich und verringert die Latenz.
• Bis zu 43 % schnellere CPU-Inferenz: Durch die gezielte Optimierung der Architektur für Edge Computing ist YOLO26 auf Hardware ohne dedizierte GPUs deutlich schneller.
• Wegfall von DFL: Distribution Focal Loss wurde entfernt. Das vereinfacht den Export und verbessert die Kompatibilität mit stromsparenden Geräten am Netzwerkrand erheblich.
• MuSGD-Optimierer: Inspiriert von Trainingstechniken für große Sprachmodelle wie Kimi K2 von Moonshot AI sorgt diese Kombination aus SGD und Muon für eine hohe Trainingsstabilität und schnelle Konvergenz.
• ProgLoss + STAL: Diese fortschrittlichen Verlustfunktionen verbessern die Erkennung kleiner Objekte deutlich – eine wichtige Verbesserung für Luftaufnahmen und Robotik.
• Aufgabenspezifische Verbesserungen: YOLO26 bietet angepasste Architekturen für bestimmte Aufgaben, etwa Multi-Scale-Protos für die Segmentierung und Residual Log-Likelihood Estimation (RLE) für die Posenschätzung.

Über die Ultralytics Platform, eine Komplettlösung für die Annotation von Datensätzen, Cloud-Training und Modellüberwachung, kannst du YOLO26-Modelle ganz einfach trainieren und bereitstellen.

Anwendungen in der Praxis#

Die Wahl zwischen diesen Architekturen hängt oft von der vorgesehenen Bereitstellungsumgebung ab.

PP-YOLOE+ kommt häufig in industriellen Fertigungszentren zum Einsatz, insbesondere in Regionen, in denen die PaddlePaddle-Integration und die Hardwareplattform von Baidu fest in der Unternehmensinfrastruktur verankert sind. Das Modell eignet sich besonders für die Analyse statischer Bilder, bei der höchste Präzision wichtiger ist als strenge Echtzeitanforderungen.

YOLOv9 eignet sich hervorragend für dynamische Umgebungen, in denen eine schnelle Echtzeit-Inferenz erforderlich ist. Dank seiner überlegenen Parametereffizienz ist es ideal für die autonome Navigation von Drohnen und sicherheitsrelevante Systeme am Netzwerkrand. Außerdem senkt der geringere VRAM-Verbrauch die Einstiegshürde für Forschende, die mit GPUs für Endverbraucher trainieren.

Für höchste Leistung bei der Verkehrssteuerung in intelligenten Städten und in der Hochgeschwindigkeitsrobotik ist das neuere YOLO26 unübertroffen. Es bietet optionale End-to-End-Inferenz ohne die durch NMS verursachten Engpässe.