Zum Inhalt springen

YOLOv9 vs. PP-YOLOE+: Detaillierter technischer Vergleich

Die Wahl des richtigen Objekterkennungsmodells ist für Computer-Vision-Aufgaben entscheidend. Auf dieser Seite finden Sie einen technischen Vergleich zwischen YOLOv9 und PP-YOLOE+, in dem die Architekturen, die Leistung und die Anwendungen der beiden Modelle untersucht werden, um Ihnen die Wahl zu erleichtern.

YOLOv9: Programmierbare Steigungsinformationen

YOLOv9, das 2024 auf den Markt kommt, stellt eine bedeutende Weiterentwicklung der YOLO dar und konzentriert sich auf die Bewahrung von Informationen durch neuartige architektonische Designs.

  • Architektur: YOLOv9 wurde von Chien-Yao Wang und Hong-Yuan Mark Liao vom Institute of Information Science, Academia Sinica, Taiwan, verfasst. Es führt Programmable Gradient Information (PGI) und Generalized Efficient Layer Aggregation Network (GELAN) ein. PGI behebt den Informationsverlust bei der Ausbreitung in der Tiefe des Netzes, während GELAN die Effizienz des Netzes optimiert. Diese innovative Kombination zielt darauf ab, die Genauigkeit zu verbessern, ohne die Rechenkosten wesentlich zu erhöhen. Die Originalarbeit ist auf arXiv verfügbar. Das offizielle GitHub-Repository enthält Details zur Implementierung.
  • Leistung: YOLOv9 erreicht die modernste Leistung mit einem ausgewogenen Verhältnis von Geschwindigkeit und Genauigkeit. Wie aus dem Vergleichsdiagramm und der Tabelle hervorgeht, weisen die YOLOv9-Modelle hohe mAP-Werte auf, während sie gleichzeitig konkurrenzfähige Inferenzgeschwindigkeiten aufweisen. YOLOv9c erreicht zum Beispiel 53,0% mAPval50-95.
  • Anwendungsfälle: Dank seiner verbesserten Effizienz und Genauigkeit eignet sich YOLOv9 für eine Vielzahl von Anwendungen, darunter Robotik, autonomes Fahren und Sicherheitssysteme, bei denen eine hohe Erkennungsleistung bei begrenzten Rechenressourcen entscheidend ist.

Erfahren Sie mehr über YOLOv9

PP-YOLOE+: Verbesserte ankerfreie Detektion

PP-YOLOE+, von PaddlePaddle entwickelt und im PaddleDetection-Framework beschrieben, ist eine Weiterentwicklung der PP-YOLOE-Serie, die für ihren ankerlosen Ansatz und ihre Effizienz bekannt ist.

  • Architektur: PP-YOLOE+ baut auf dem Paradigma der ankerfreien Detektion auf, vereinfacht das Modell und reduziert den Bedarf an ankerbezogenen Hyperparametern. Es enthält in der Regel Verbesserungen gegenüber dem Basis-PP-YOLOE in Bezug auf das Rückgrat, den Hals und das Design des Erkennungskopfes, wobei häufig Techniken wie entkoppelte Köpfe und VariFocal Loss zur Verbesserung der Erkennungsgenauigkeit eingesetzt werden. Die Dokumentation und Implementierung sind auf PaddleDetection GitHub verfügbar.
  • Leistung: PP-YOLOE+ Modelle sind so konzipiert, dass sie ein gutes Gleichgewicht zwischen Genauigkeit und Inferenzgeschwindigkeit bieten. Wie die Vergleichstabelle zeigt, bieten PP-YOLOE+-Modelle wie PP-YOLOE+m und PP-YOLOE+l konkurrenzfähige mAP-Ergebnisse und effiziente Inferenzzeiten, was sie vielseitig für verschiedene Anwendungen einsetzbar macht.
  • Anwendungsfälle: Das verankerungsfreie Design und die ausgewogenen Leistungsmerkmale von PP-YOLOE+ eignen sich hervorragend für Anwendungen wie die industrielle Qualitätskontrolle, den intelligenten Einzelhandel und die Umweltüberwachung, wo eine robuste und effiziente Objekterkennung erforderlich ist.

PP-YOLOE+ Dokumentation (PaddleDetection)

Modell Größe
(Pixel)
mAPval
50-95
Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv9t 640 38.3 - 2.3 2.0 7.7
YOLOv9s 640 46.8 - 3.54 7.1 26.4
YOLOv9m 640 51.4 - 6.43 20.0 76.3
YOLOv9c 640 53.0 - 7.16 25.3 102.1
YOLOv9e 640 55.6 - 16.77 57.3 189.0
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

Für Benutzer, die an anderen leistungsstarken Objekterkennungsmodellen interessiert sind, bietet Ultralytics auch YOLOv5, YOLOv7, YOLOv8 und das hochmoderne YOLO11 an, jedes mit einzigartigen Stärken und Optimierungen. Weitere Vergleiche und Details finden Sie in unserer Modelldokumentation.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare