PP-YOLOE+ vs YOLOv5: Comparaison technique détaillée
Le choix du bon modèle de détection d'objets est crucial pour les tâches de vision par ordinateur. Cette page propose une comparaison technique entre PP-YOLOE+ et Ultralytics YOLOv5, deux modèles populaires connus pour leurs performances et leur efficacité dans la détection d'objets. Nous nous pencherons sur leurs architectures, leurs performances et leurs applications afin de vous aider à prendre une décision éclairée.
PP-YOLOE+
PP-YOLOE+, présenté par les auteurs de PaddlePaddle Baidu le 2022-04-02(lien Arxiv), est un détecteur sans ancre, à un étage, connu pour son efficacité et sa facilité de déploiement dans l'écosystème PaddlePaddle (lien GitHub). Il met l'accent sur la haute performance avec une configuration simplifiée(lien Docs).
Architecture et caractéristiques principales
PP-YOLOE+ s'appuie sur l'architecture YOLO en y apportant plusieurs améliorations :
- Conception sans ancrage: Simplifie le processus de détection en éliminant le besoin de boîtes d'ancrage et en réduisant le réglage des hyperparamètres. Découvrez les détecteurs sans ancrage.
- Réseau de base: Utilise une épine dorsale ResNet avec des améliorations pour une extraction efficace des caractéristiques.
- Cou: Utilise un réseau d'agrégation de chemins (PAN) pour améliorer la fusion des caractéristiques à différentes échelles, similaire au PANet de YOLOv5.
- Tête découplée: sépare les têtes de classification et de régression, ce qui améliore la précision et l'efficacité de la formation.
- Perte d'apprentissage de l'alignement des tâches (TAL): aligne les tâches de classification et de localisation pour des détections plus précises. Explorez les fonctions de perte dans Ultralytics Docs.
Performance
PP-YOLOE+ est conçu pour trouver un équilibre entre précision et rapidité. Bien que les mesures spécifiques varient, il est généralement considéré comme efficace en termes de calcul, ce qui le rend adapté aux applications en temps réel.
Cas d'utilisation
PP-YOLOE+ est bien adapté aux applications exigeant une détection robuste et efficace des objets, comme par exemple :
- Inspection de la qualité industrielle: Pour la détection des défauts et le contrôle de la qualité dans l'industrie manufacturière. L'IA de la vision dans la fabrication transforme les processus industriels.
- Automatisation du recyclage: Améliorer l'efficacité du recyclage en identifiant les matériaux recyclables.
- Commerce de détail intelligent: L'IA pour une gestion plus intelligente des stocks dans le commerce de détail et l'analyse du comportement des clients.
Forces et faiblesses
- Points forts:
- La conception sans ancrage simplifie la mise en œuvre.
- Grande précision et capacités d'inférence efficaces.
- Bien documenté et soutenu dans le cadre de PaddlePaddle .
- Faiblesses:
- Verrouillage de l'écosystème pour les utilisateurs en dehors de l'environnement PaddlePaddle .
- Communauté potentiellement plus petite et ressources moindres par rapport à des modèles largement adoptés comme YOLOv5.
YOLOv5
Ultralytics YOLOv5, écrit par Glenn Jocher d'Ultralytics et publié le 2020-06-26(Lien GitHub), est un modèle de détection d'objets de pointe célébré pour sa vitesse, sa précision et sa convivialité. Il est entièrement construit en PyTorch et conçu à la fois pour la recherche et les applications pratiques(Lien Docs).
Architecture et caractéristiques principales
YOLOv5 est réputé pour son architecture rationalisée et efficace :
- Réseau principal: CSPDarknet53, optimisé pour l'efficacité de l'extraction des caractéristiques.
- Neck: PANet pour une génération efficace de pyramides de caractéristiques, améliorant la fusion de caractéristiques multi-échelles.
- Tête: une tête de détection à une seule couche de convolution pour des raisons de simplicité et de rapidité.
- Augmentation des données: Emploie des techniques d'augmentation des données solides telles que Mosaic et MixUp pour améliorer la robustesse du modèle. En savoir plus sur l'augmentation des données.
- Plusieurs tailles de modèles: Offre une gamme de tailles de modèles (n, s, m, l, x) pour différents besoins de calcul.
Performance
YOLOv5 est réputé pour son équilibre vitesse/précision, car il permet de détecter des objets en temps réel sur des modèles de différentes tailles. Il est conçu pour être rapide et efficace, ce qui le rend idéal pour un déploiement dans divers environnements. Explorez les mesures de performance de YOLO pour plus de détails.
Cas d'utilisation
La polyvalence de YOLOv5 lui permet de s'adapter à un large éventail d'applications :
- Suivi d'objets en temps réel: Idéal pour les systèmes de surveillance et de sécurité nécessitant une détection et un suivi rapides des objets. La détection et le suivi d'objets avec Ultralytics YOLOv8 présente des applications similaires.
- Déploiement d'appareils périphériques: Efficace pour le déploiement d'appareils périphériques avec YOLOv8 sur des appareils tels que Raspberry Pi et NVIDIA Jetson. Consultez le guide de démarrage rapide Raspberry Pi et le guide de démarrage rapide NVIDIA Jetson.
- Conservation de la faune et de la flore: Utilisé pour la protection de la biodiversité avec YOLOv5 pour le suivi des animaux.
Forces et faiblesses
- Points forts:
- Vitesse exceptionnelle et performances en temps réel.
- Déploiement flexible avec plusieurs tailles de modèles.
- Une communauté importante et active avec un support étendu. Rejoignez la communauté Ultralytics .
- Facile à utiliser, avec une excellente documentation et l'intégration d'Ultralytics HUB. DocumentationUltralytics HUB.
- Faiblesses:
- Les modèles de plus grande taille peuvent nécessiter des calculs intensifs.
- L'approche basée sur l'ancrage peut nécessiter davantage de réglages pour des ensembles de données spécifiques par rapport aux méthodes sans ancrage. En savoir plus sur les détecteurs basés sur l'ancrage.
Tableau des performances
| Modèle | taille (pixels) |
mAPval 50-95 |
Vitesse CPU ONNX (ms) |
Vitesse T4 TensorRT10 (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 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
Conclusion
PP-YOLOE+ et YOLOv5 sont tous deux des modèles de détection d'objets robustes. PP-YOLOE+ offre une approche efficace sans ancrage, particulièrement utile dans l'écosystème PaddlePaddle . Ultralytics YOLOv5 excelle dans les applications en temps réel, offrant des optimisations de vitesse et une large gamme de tailles de modèles, soutenues par une grande communauté et un écosystème complet.
Les utilisateurs peuvent également être intéressés par d'autres modèlesYOLO d'Ultralytics , tels que
- YOLOv7, connu pour sa rapidité et son efficacité.
- YOLOv8le dernier modèle Ultralytics avec des performances à la pointe de la technologie.
- YOLO11la nouvelle itération qui met l'accent sur l'efficacité et la précision.
- YOLOv9, qui offre des avancées en termes de précision et de rapidité.
Le choix entre PP-YOLOE+ et YOLOv5 dépend des besoins du projet, des préférences du cadre et de l'équilibre requis entre rapidité et précision.
