YOLOv8 PP-YOLOE+ : une analyse approfondie de la détection d'objets haute performance

Dans le domaine en constante évolution de la vision par ordinateur, il est essentiel de choisir la bonne architecture de détection d'objets afin d'équilibrer précision, rapidité et faisabilité du déploiement. Ce guide fournit une comparaison technique complète entre Ultralytics YOLOv8 et PP-YOLOE+, en analysant leurs innovations architecturales, leurs mesures de performance et leur adéquation aux applications du monde réel.

Aperçu du modèle

Ultralytics YOLOv8

YOLOv8 représente une avancée significative dans la YOLO , en introduisant un cadre unifié pour la détection d'objets, la segmentation d'instances et l'estimation de poses. S'appuyant sur une tradition de rapidité et de précision, il dispose d'une nouvelle tête de détection sans ancrage et d'une fonction de perte novatrice.

Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
Organisation :Ultralytics
Date : 2023-01-10
GitHub :https://github.com/ultralytics/ultralytics
Docs :https://docs.ultralytics.com/models/yolov8/

En savoir plus sur YOLOv8

PP-YOLOE+

PP-YOLOE+ est une évolution de la série PP-YOLOE de PaddlePaddle de Baidu. Elle se concentre sur le perfectionnement du mécanisme sans ancrage et l'amélioration des stratégies d'entraînement afin d'obtenir des performances compétitives, en particulier au sein de PaddlePaddle .

Auteurs : Auteurs de PaddlePaddle
Organisation :Baidu
Date : 2022-04-02
Arxiv :https://arxiv.org/abs/2203.16250
GitHub :https://github.com/PaddlePaddle/PaddleDetection/
Documents :PaddleDetection PP-YOLOE+ Configurations

En savoir plus sur PP-YOLOE+

Comparaison des performances

Lors de l'évaluation des détecteurs d'objets, le compromis entre la vitesse d'inférence (latence) et la précision moyenne (mAP) est primordial. Le graphique ci-dessous illustre cette relation, suivi d'un tableau détaillé des mesures.

Modèle	Taille ^(pixels)	mAP^val 50-95	Vitesse ^{CPU ONNX (ms)}	Vitesse ^{T4 TensorRT10 (ms)}	paramètres ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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

Remarque : les mesures de performance soulignent que, si PP-YOLOE+ affiche une forte efficacité FLOPs théorique, YOLOv8 offre YOLOv8 un débit et une efficacité des paramètres supérieurs dans le monde réel, en particulier sur les appareils périphériques CPU.

Différences architecturales

YOLOv8 Ultralytics YOLOv8

YOLOv8 un système de détection sans ancrage à la pointe de la technologie. Contrairement aux versions précédentes qui s'appuyaient sur des boîtes d'ancrage prédéfinies, YOLOv8 directement les centres des objets. Cela simplifie le processus d'apprentissage et améliore la généralisation à travers divers ensembles de données tels que COCO.

Les principales caractéristiques architecturales sont les suivantes :

Module C2f : Remplaçant le module C3, le module C2f (Cross-Stage Partial Bottleneck avec deux convolutions) améliore le flux de gradient et enrichit la représentation des caractéristiques tout en conservant une empreinte légère.
Tête découplée : les tâches de classification et de régression sont gérées par des branches distinctes, ce qui permet au modèle de se concentrer sur des types de caractéristiques spécifiques pour chaque tâche, ce qui se traduit par une plus grande précision.
Attributeur aligné sur les tâches : stratégie sophistiquée d'attribution d'étiquettes qui aligne dynamiquement les échantillons positifs avec la vérité terrain en fonction des scores de classification et de régression.

Architecture de PP-YOLOE+

PP-YOLOE+ s'appuie sur le cadre PP-YOLOE, en utilisant une structure CSPResNet et un réseau d'agrégation de chemins (PANet) simplifié. Il met l'accent sur la reparamétrisation et l'attribution efficace des étiquettes.

Les principales caractéristiques architecturales sont les suivantes :

RepResBlock : utilise des techniques de reparamétrage pour fusionner plusieurs couches en une seule convolution pendant l'inférence, réduisant ainsi la latence sans sacrifier la capacité d'apprentissage.
TAL (Task Alignment Learning) : similaire à YOLOv8, il utilise l'apprentissage par alignement de tâches pour optimiser l'alignement des ancres.
Pré-entraînement Object365 : Le « + » dans PP-YOLOE+ signifie l'utilisation d'un pré-entraînement à grande échelle sur l'ensemble de données Objects365, ce qui contribue à son mAP élevé, mAP augmente la complexité de l'entraînement pour les utilisateurs qui souhaitent reproduire les résultats à partir de zéro.

Écosystème et facilité d'utilisation

L'avantage Ultralytics

L'un des principaux facteurs de différenciation de YOLOv8 est le solide Ultralytics . Le modèle n'est pas seulement un référentiel de code, mais un produit entièrement pris en charge et intégré dans un flux de travail transparent.

API unifiée : les développeurs peuvent passer d'une tâche à l'autre (détection, segmentation, estimation de la pose, OBB et classification) en modifiant simplement un seul argument de chaîne.
Ultralytics : la Ultralytics permet une gestion facile des ensembles de données, l'entraînement des modèles et le déploiement directement depuis le navigateur.
Intégration étendue : prise en charge native des outils MLOps tels que Weights & Biases, Cometet MLflow garantit un suivi des expériences prêt à l'emploi.

Interface Python simple

L'exécution d'une inférence avec YOLOv8 que quelques lignes de code :

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Run inference
results = model("https://ultralytics.com/images/bus.jpg")

Écosystème PP-YOLOE+

PP-YOLOE+ est profondément intégré dans le PaddlePaddle . Bien que puissant, cela peut représenter une courbe d'apprentissage plus raide pour les développeurs habitués à PyTorch TensorFlow. Le déploiement repose souvent sur PaddleLite ou la conversion des modèles vers ONNX Paddle2ONNX, ce qui ajoute une étape supplémentaire par rapport aux capacités d'exportation directe Ultralytics .

Entraînement et efficacité de la mémoire

Entraînement efficace

YOLOv8 conçu pour optimiser l'efficacité de l'entraînement. Il prend en charge la détermination automatique de la taille des lots etGPU dès son installation. Son architecture est optimisée pour consommer moins de VRAM pendant l'entraînement par rapport aux modèles basés sur des transformateurs tels que RT-DETR, ce qui permet aux utilisateurs de former des modèles plus volumineux sur du matériel grand public.

Poids pré-entraînés

Ultralytics un large éventail de poids pré-entraînés pour diverses tâches et tailles (de Nano à X-Large). Ces modèles sont disponibles instantanément et téléchargés automatiquement lors de la première utilisation, ce qui accélère considérablement le cycle de développement des projets d'apprentissage par transfert. En revanche, pour exploiter toute la puissance de PP-YOLOE+, il faut souvent naviguer dans les configurations spécifiques de la bibliothèque PaddleDetection.

Cas d'utilisation et recommandations

Quand choisir YOLOv8

Ultralytics YOLOv8 est le choix recommandé pour la majorité des développeurs et des entreprises en raison de sa polyvalence et de sa facilité d'utilisation.

Déploiement Edge : idéal pour fonctionner sur des appareils tels que Raspberry Pi ou des téléphones mobiles utilisant TFLite ou CoreML.
Tâches multimodales : si votre projet nécessite une segmentation ou une estimation de pose en plus de la détection, YOLOv8 une solution unifiée.
Prototypage rapide : l'interface CLI simple CLI Python permettent une itération rapide, ce qui en fait un outil idéal pour les startups et les hackathons.
Assistance communautaire : grâce à une communauté très active sur GitHub et Discord, vous trouverez rapidement et efficacement des solutions à vos problèmes.

Quand choisir PP-YOLOE+

PP-YOLOE+ est un concurrent sérieux si vous avez déjà investi dans l'infrastructure Baidu.

PaddlePaddle : indispensable pour les équipes dont les pipelines de production sont entièrement construits autour de PaddlePaddle.
Serveurs à haute puissance de calcul : le modèle fonctionne bien dans les environnements où des GPU haut de gamme sont disponibles pour exploiter son architecture complexe afin d'obtenir mAP maximal, quelle que soit la complexité du déploiement.

L'avenir : YOLO26

Alors que YOLOv8 une norme industrielle robuste, Ultralytics de repousser les limites de la vision par ordinateur. Le tout dernier YOLO26 représente la nouvelle génération en matière d'efficacité.

YOLO26 introduit une conception de bout en bout NMS, éliminant ainsi le besoin d'un post-traitement par suppression non maximale. Il en résulte une inférence plus rapide et une logique de déploiement plus simple. De plus, des innovations telles que l'optimiseur MuSGD et la suppression DFL rendent YOLO26 jusqu'à 43 % plus rapide sur CPU par rapport aux générations précédentes, consolidant ainsi sa position de choix privilégié pour l'informatique de pointe.

Pour les développeurs qui lancent aujourd'hui de nouveaux projets, YOLOv8 fortement recommandé d'évaluer YOLO26 parallèlement à YOLOv8 afin de garantir la pérennité de vos applications.

En savoir plus sur YOLO26

Conclusion

YOLOv8 PP-YOLOE+ sont tous deux d'excellents modèles de détection d'objets. Cependant, Ultralytics YOLOv8 se distingue par sa conception centrée sur l'utilisateur, sa documentation complète et sa polyvalence inégalée. En réduisant les obstacles à l'entrée tout en conservant des performances de pointe, YOLOv8et son successeur YOLO26 permettent aux développeurs de créer des solutions d'IA sophistiquées avec un minimum de friction.

Pour approfondir la comparaison des modèles, consultez nos analyses YOLOv8 EfficientDet et YOLOv8 YOLOv6.