PP-YOLOE+ frente a YOLOv7: comparación técnica para la detección de objetos
Seleccionar el modelo de detección de objetos adecuado es crucial para las tareas de visión por ordenador. Esta página ofrece una comparación técnica detallada entre PP-YOLOE+ y YOLOv7, dos modelos de última generación, para ayudarle a tomar una decisión informada. Exploraremos sus diseños arquitectónicos, sus puntos de referencia de rendimiento y sus aplicaciones ideales.
YOLOv7: optimizado para la velocidad y la eficacia
YOLOv7, de la familia YOLO , es famoso por centrarse en la detección de objetos en tiempo real manteniendo una alta eficiencia. Ha sido desarrollado por Chien-Yao Wang, Alexey Bochkovskiy y Hong-Yuan Mark Liao, del Instituto de Ciencias de la Información de la Academia Sinica de Taiwán, y publicado el 2022-07-06.
- Arquitectura: YOLOv7 emplea una Red de Agregación de Capas Eficiente Extendida (E-ELAN) en su columna vertebral para mejorar el aprendizaje de la red. También incorpora la re-parametrización del modelo y el entrenamiento guiado de grueso a fino para mejorar la precisión sin afectar significativamente a la velocidad de inferencia.
- Rendimiento: YOLOv7 logra un excelente equilibrio entre velocidad y precisión. Modelos como
YOLOv7lyYOLOv7xdemuestran altos valores de mAP con rápidas velocidades de inferencia, particularmente cuando se optimizan con TensorRT. - Casos de uso: La velocidad de YOLOv7 lo hace adecuado para aplicaciones en tiempo real como sistemas de alarma de seguridad, estimación de velocidad y sistemas robóticos en los que la baja latencia es fundamental. Su eficiencia también permite implantarlo en dispositivos periféricos como NVIDIA Jetson.
PP-YOLOE+: Versátil y sin anclajes
PP-YOLOE+, desarrollado por los autores de PaddlePaddle en Baidu y publicado el 2022-04-02, es un modelo de detección de objetos sin anclaje de PaddleDetection. Hace hincapié en la simplicidad y el rendimiento fuerte.
- Arquitectura: PP-YOLOE+ adopta un enfoque sin anclajes, lo que simplifica el diseño del modelo y reduce el ajuste de hiperparámetros. Presenta una cabeza desacoplada y VariFocal Loss para mejorar la clasificación y la localización. PP-YOLOE+ se basa en el modelo básico PP-YOLOE con mejoras en la columna vertebral, el cuello y la cabeza para mejorar la precisión y la eficacia.
- Rendimiento: Los modelos PP-YOLOE+ logran un buen equilibrio entre precisión y velocidad. Los distintos tamaños (t, s, m, l, x) ofrecen puntuaciones mAP competitivas y tiempos de inferencia TensorRT rápidos, lo que los hace adaptables a distintas necesidades.
- Casos de uso: El diseño sin anclajes y el rendimiento equilibrado de PP-YOLOE+ lo hacen versátil para aplicaciones como la inspección de calidad industrial, la eficiencia del reciclaje y escenarios que requieren una detección robusta y precisa sin sacrificar la velocidad. Su eficiencia permite su despliegue en diversas plataformas de hardware.
Documentación de PP-YOLOE+ (PaddleDetection)
Tabla comparativa de modelos
| Modelo | tamaño (píxeles) |
mAPval 50-95 |
Velocidad CPU ONNX (ms) |
Velocidad T4TensorRT10 (ms) |
parámetros (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 |
Conclusión
Tanto YOLOv7 como PP-YOLOE+ son potentes modelos de detección de objetos con distintas ventajas. YOLOv7 destaca por su velocidad y eficacia, lo que lo hace ideal para aplicaciones en tiempo real y de borde. PP-YOLOE+, con su diseño sin anclajes y su rendimiento equilibrado, ofrece una solución versátil y más sencilla para una amplia gama de casos de uso.
Para quienes busquen otras opciones, Ultralytics ofrece una variada gama de modelos YOLO , entre ellos YOLOv8, YOLOv9, YOLO10YOLO11y RT-DETRcada uno optimizado para diferentes características de rendimiento y necesidades de aplicación. Explore estos modelos para encontrar el que mejor se adapte a su proyecto específico de visión por ordenador y aproveche Ultralytics HUB para agilizar sus flujos de trabajo de formación y despliegue de modelos.
