PP-YOLOE+ vs YOLOv7 : une comparaison technique pour la détection d'objets
Le choix du bon modèle de détection d'objets est crucial pour les tâches de vision par ordinateur. Cette page présente une comparaison technique détaillée entre PP-YOLOE+ et YOLOv7, deux modèles de pointe, afin de vous aider à prendre une décision éclairée. Nous examinerons leurs conceptions architecturales, leurs performances et leurs applications idéales.
YOLOv7 : Optimisé pour la vitesse et l'efficacité
YOLOv7, de la famille YOLO , est réputé pour sa focalisation sur la détection d'objets en temps réel tout en conservant une grande efficacité. Il a été développé par Chien-Yao Wang, Alexey Bochkovskiy et Hong-Yuan Mark Liao de l'Institut des sciences de l'information, Academia Sinica, Taïwan, et a été publié le 2022-07-06.
- Architecture: YOLOv7 utilise un réseau d'agrégation de couches efficace étendu (E-ELAN) dans son épine dorsale pour améliorer l'apprentissage du réseau. Il incorpore également le re-paramétrage du modèle et l'apprentissage guidé de grossier à fin pour améliorer la précision sans avoir d'impact significatif sur la vitesse d'inférence.
- Performance: YOLOv7 atteint un excellent équilibre entre vitesse et précision. Des modèles comme
YOLOv7letYOLOv7xdémontrent des valeurs mAP élevées avec des vitesses d'inférence rapides, en particulier lorsqu'elles sont optimisées avec TensorRT. - Cas d'utilisation: La vitesse de YOLOv7 le rend adapté aux applications en temps réel telles que les systèmes d'alarme de sécurité, l'estimation de la vitesse et les systèmes robotiques pour lesquels une faible latence est essentielle. Son efficacité lui permet également d'être déployé sur des appareils périphériques tels que NVIDIA Jetson.
PP-YOLOE+ : Sans ancrage et polyvalent
PP-YOLOE+, développé par les auteurs de PaddlePaddle à Baidu et publié le 2022-04-02, est un modèle de détection d'objets sans ancrage de PaddleDetection. Il met l'accent sur la simplicité et la performance.
- Architecture: PP-YOLOE+ adopte une approche sans ancrage, ce qui simplifie la conception du modèle et réduit le réglage des hyperparamètres. Il est doté d'une tête découplée et d'un système VariFocal Loss pour améliorer la classification et la localisation. PP-YOLOE+ s'appuie sur le modèle de base PP-YOLOE avec des améliorations au niveau de la colonne vertébrale, du cou et de la tête pour plus de précision et d'efficacité.
- Performance: Les modèles PP-YOLOE+ offrent un bon équilibre entre précision et rapidité. Les différentes tailles (t, s, m, l, x) offrent des scores mAP compétitifs et des temps d'inférence TensorRT rapides, ce qui les rend adaptables à différents besoins.
- Cas d'utilisation: La conception sans ancrage et les performances équilibrées du PP-YOLOE+ le rendent polyvalent pour des applications telles que l'inspection de la qualité industrielle, l'efficacité du recyclage et les scénarios nécessitant une détection robuste et précise sans sacrifier la vitesse. Son efficacité lui permet d'être déployé sur diverses plates-formes matérielles.
PP-YOLOE+ Documentation (PaddleDetection)
Tableau de comparaison des modèles
| 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 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Conclusion
YOLOv7 et PP-YOLOE+ sont tous deux des modèles de détection d'objets puissants qui présentent des avantages distincts. YOLOv7 excelle en termes de vitesse et d'efficacité, ce qui le rend idéal pour les applications en temps réel et en périphérie. PP-YOLOE+, avec sa conception sans ancrage et ses performances équilibrées, constitue une solution polyvalente et plus simple pour un large éventail de cas d'utilisation.
Pour ceux qui recherchent d'autres options, Ultralytics propose une gamme variée de modèles YOLO , notamment YOLOv8YOLOv9, YOLO10, YOLO11et RT-DETRChacun de ces modèles est optimisé pour des caractéristiques de performance et des besoins d'application différents. Explorez ces modèles pour trouver celui qui convient le mieux à votre projet de vision par ordinateur, et tirez parti d'Ultralytics HUB pour rationaliser vos flux de travail de formation et de déploiement de modèles.
