YOLOv9 frente a PP-YOLOE+: Comparación técnica detallada
Seleccionar el modelo de detección de objetos adecuado es crucial para las tareas de visión por ordenador. Esta página ofrece una comparación técnica entre YOLOv9 y PP-YOLOE+, examinando sus arquitecturas, rendimiento y aplicaciones para orientarle en su elección.
YOLOv9: Información de gradiente programable
YOLOv9, presentado en 2024, representa un avance significativo en la serie YOLO , centrándose en la conservación de la información a través de novedosos diseños arquitectónicos.
- Arquitectura: YOLOv9 es obra de Chien-Yao Wang y Hong-Yuan Mark Liao, del Instituto de Ciencias de la Información de la Academia Sinica de Taiwán. Introduce la Información de Gradiente Programable (PGI) y la Red de Agregación de Capas Generalizada Eficiente (GELAN). PGI aborda la pérdida de información durante la propagación profunda de la red, mientras que GELAN optimiza la eficiencia de la red. Esta innovadora combinación pretende mejorar la precisión sin aumentar significativamente el coste computacional. El artículo original está disponible en arXiv. El repositorio oficial de GitHub ofrece detalles sobre la implementación.
- Rendimiento: YOLOv9 logra un rendimiento de vanguardia con un equilibrio entre velocidad y precisión. Como se indica en el gráfico y la tabla comparativos, los modelos YOLOv9 demuestran altos valores de mAP al tiempo que mantienen velocidades de inferencia competitivas. Por ejemplo, YOLOv9c alcanza un 53,0% de mAPval50-95.
- Casos de uso: La eficacia y precisión mejoradas de YOLOv9 lo hacen adecuado para una amplia gama de aplicaciones, como la robótica, la conducción autónoma y los sistemas de seguridad en los que es fundamental un alto rendimiento de detección con recursos computacionales limitados.
PP-YOLOE+: Detección mejorada sin anclaje
PP-YOLOE+, desarrollado por PaddlePaddle y detallado en su marco PaddleDetection, es una evolución de la serie PP-YOLOE, conocida por su enfoque sin anclajes y su eficacia.
- Arquitectura: PP-YOLOE+ se basa en el paradigma de detección sin anclaje, simplificando el modelo y reduciendo la necesidad de hiperparámetros relacionados con el anclaje. Normalmente incluye mejoras sobre el PP-YOLOE base en el diseño de la columna vertebral, el cuello y la cabeza de detección, a menudo incorporando técnicas como cabezas desacopladas y VariFocal Loss para refinar la precisión de la detección. La documentación y la implementación están disponibles en PaddleDetection GitHub.
- Rendimiento: Los modelos PP-YOLOE+ están diseñados para ofrecer un sólido equilibrio entre precisión y velocidad de inferencia. Como se muestra en la tabla comparativa, los modelos PP-YOLOE+ como PP-YOLOE+m y PP-YOLOE+l ofrecen puntuaciones mAP competitivas y tiempos de inferencia eficientes, lo que los hace versátiles para diversas aplicaciones.
- Casos de uso: El diseño sin anclajes de PP-YOLOE+ y sus equilibradas características de rendimiento lo hacen idóneo para aplicaciones como la inspección de calidad industrial, el comercio minorista inteligente y la supervisión medioambiental, en las que se necesita una detección de objetos robusta y eficaz.
Documentación de PP-YOLOE+ (PaddleDetection)
| Modelo | tamaño (píxeles) |
mAPval 50-95 |
Velocidad CPU ONNX (ms) |
Velocidad T4TensorRT10 (ms) |
parámetros (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 |
Para los usuarios interesados en otros modelos de detección de objetos de alto rendimiento, Ultralytics también ofrece YOLOv5, YOLOv7, YOLOv8 y el vanguardista YOLO11, cada uno con puntos fuertes y optimizaciones únicas. Explore la documentación de nuestros modelos para obtener más comparaciones y detalles.
