Skip to content

YOLOv9 vs PP-YOLOE+ : 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 YOLOv9 et PP-YOLOE+, en examinant leurs architectures, leurs performances et leurs applications afin de guider votre choix.

YOLOv9 : Information sur le gradient programmable

YOLOv9, présenté en 2024, représente une avancée significative dans la série YOLO , en se concentrant sur la préservation de l'information grâce à des conceptions architecturales inédites.

  • Architecture: YOLOv9 est rédigé par Chien-Yao Wang et Hong-Yuan Mark Liao de l'Institut des sciences de l'information, Academia Sinica, Taïwan. Il introduit l'information de gradient programmable (PGI) et le réseau d'agrégation de couches efficace généralisé (GELAN). Le PGI s'attaque à la perte d'informations lors de la propagation en profondeur du réseau, tandis que le GELAN optimise l'efficacité du réseau. Cette combinaison innovante vise à améliorer la précision sans augmenter de manière significative les coûts de calcul. L'article original est disponible sur arXiv. Le dépôt officiel GitHub fournit des détails sur l'implémentation.
  • Performance: YOLOv9 atteint des performances de pointe avec un équilibre entre vitesse et précision. Comme l'indiquent le graphique et le tableau de comparaison, les modèles YOLOv9 affichent des valeurs mAP élevées tout en conservant des vitesses d'inférence compétitives. Par exemple, YOLOv9c atteint 53,0 % de mAPval50-95.
  • Cas d'utilisation: L'efficacité et la précision accrues de YOLOv9 en font un outil adapté à un large éventail d'applications, notamment la robotique, la conduite autonome et les systèmes de sécurité, où il est essentiel d'obtenir des performances de détection élevées tout en disposant de ressources informatiques limitées.

En savoir plus sur YOLOv9

PP-YOLOE+ : Détection améliorée sans ancrage

PP-YOLOE+, développé par PaddlePaddle et détaillé dans leur cadre PaddleDetection, est une évolution de la série PP-YOLOE, connue pour son approche sans ancrage et son efficacité.

  • Architecture: PP-YOLOE+ s'appuie sur le paradigme de la détection sans ancrage, en simplifiant le modèle et en réduisant le besoin d'hyperparamètres liés à l'ancrage. Il comprend généralement des améliorations par rapport au PP-YOLOE de base dans la conception de l'épine dorsale, du cou et de la tête de détection, et incorpore souvent des techniques telles que les têtes découplées et la perte de focalisation variable pour affiner la précision de la détection. La documentation et l'implémentation sont disponibles sur PaddleDetection GitHub.
  • Performance: Les modèles PP-YOLOE+ sont conçus pour offrir un bon équilibre entre la précision et la vitesse d'inférence. Comme le montre le tableau de comparaison, les modèles PP-YOLOE+ tels que PP-YOLOE+m et PP-YOLOE+l fournissent des scores mAP compétitifs et des temps d'inférence efficaces, ce qui les rend polyvalents pour diverses applications.
  • Cas d'utilisation: La conception sans ancrage du PP-YOLOE+ et ses caractéristiques de performance équilibrées le rendent bien adapté à des applications telles que l'inspection de la qualité industrielle, la vente au détail intelligente et la surveillance de l'environnement, où une détection robuste et efficace des objets est nécessaire.

PP-YOLOE+ Documentation (PaddleDetection)

Modèle taille
(pixels)
mAPval
50-95
Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
params
(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

Pour les utilisateurs intéressés par d'autres modèles de détection d'objets très performants, Ultralytics propose également YOLOv5, YOLOv7, YOLOv8 et le modèle de pointe YOLO11, chacun présentant des atouts et des optimisations uniques. Consultez la documentation de nos modèles pour plus de détails et de comparaisons.

📅C réé il y a 1 an ✏️ Mis à jour il y a 1 mois

Commentaires