PP-YOLOE+ vs YOLOv9#

Il panorama della visione artificiale in tempo reale è in continua evoluzione: ricercatori e sviluppatori spingono costantemente i limiti della precisione e della velocità di inferenza. Confrontando PP-YOLOE+ e YOLOv9, analizziamo due filosofie distinte per l'architettura dei modelli e la progettazione degli ecosistemi.

Questo confronto tecnico approfondito analizza le innovazioni architetturali, le metriche prestazionali, le metodologie di addestramento e i casi d'uso ideali dei due modelli, per aiutarti a scegliere il modello di rilevamento degli oggetti più adatto alla tua prossima distribuzione.

Origini del modello e basi tecniche#

Capire le origini e le scelte architetturali di questi modelli è fondamentale per determinare quanto siano adatti ai tuoi progetti di visione artificiale.

Panoramica su PP-YOLOE+#

Sviluppato dagli autori di PaddlePaddle presso Baidu, PP-YOLOE+ è stato presentato il 2 aprile 2022. Si basa sulle versioni precedenti del framework PaddleDetection per offrire un rilevamento degli oggetti ad alte prestazioni.

• Autori: Autori di PaddlePaddle
• Organizzazione: Baidu
• Data: 2022-04-02
• Arxiv: 2203.16250
• GitHub: Repository PaddleDetection

PP-YOLOE+ introduce un'architettura robusta senza ancore, ottimizzata in modo approfondito per la distribuzione nell'ecosistema PaddlePaddle. Utilizza un backbone CSPRepResNet modificato e una head ET per migliorare l'estrazione delle caratteristiche e la regressione delle bounding box. Pur raggiungendo un'elevata precisione media (mAP), la dipendenza dal framework PaddlePaddle può talvolta complicare l'integrazione per gli sviluppatori abituati a PyTorch o TensorFlow.

Scopri di più su PP-YOLOE+

Panoramica di YOLOv9#

Presentato da Chien-Yao Wang e Hong-Yuan Mark Liao dell'Institute of Information Science dell'Academia Sinica, Taiwan, YOLOv9 segna un importante passo avanti nella gestione efficiente dei colli di bottiglia informativi del deep learning.

• Autori: Chien-Yao Wang e Hong-Yuan Mark Liao
• Organizzazione: Institute of Information Science, Academia Sinica, Taiwan
• Data: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

La principale innovazione di YOLOv9 è Programmable Gradient Information (PGI), che previene la perdita di dati mentre le caratteristiche attraversano reti neurali profonde. Insieme alla rete Generalized Efficient Layer Aggregation (GELAN), YOLOv9 massimizza l'efficienza dei parametri e il flusso computazionale. Inoltre, è integrato nativamente nell'ecosistema Ultralytics, risultando facilmente accessibile sia per la ricerca sia per le applicazioni commerciali.

Scopri di più su YOLOv9

Confronto delle prestazioni e delle metriche#

Analizzando le prestazioni grezze, YOLOv9 dimostra un'efficienza dei parametri eccezionale. Raggiunge una precisione comparabile o superiore con meno parametri e FLOPs, riducendo così i requisiti di VRAM durante l'addestramento del modello.

Come mostra la tabella, YOLOv9c raggiunge un notevole valore di 53,0 mAP con molti meno parametri (25,5M) rispetto al modello PP-YOLOE+l comparabile (52,2M). Il minor consumo di memoria rende YOLOv9 una scelta superiore per gli sviluppatori che lavorano con risorse GPU limitate.

Ecosistema, versatilità e facilità d'uso#

Il principale vantaggio di YOLOv9 è la sua perfetta integrazione con l'ecosistema Ultralytics, ben mantenuto. Mentre PP-YOLOE+ richiede di destreggiarsi tra complessi file di configurazione PaddlePaddle, YOLOv9 offre una API Python ottimizzata.

La API Python Ultralytics consente agli sviluppatori di caricare pesi preaddestrati, gestire l'aumento dei dati e avviare l'addestramento con pochissimo codice di supporto.

from ultralytics import YOLO

# Carica un modello YOLOv9 preaddestrato
model = YOLO("yolov9c.pt")

# Addestra il modello sul dataset COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l'inferenza su un'immagine
results = model("https://ultralytics.com/images/bus.jpg")

# Esporta il modello in formato ONNX
model.export(format="onnx")

Inoltre, l'ecosistema Ultralytics offre una versatilità senza pari. Oltre al rilevamento delle bounding box, il framework supporta nativamente la segmentazione di istanze, la stima della posa e il rilevamento delle Oriented Bounding Box (OBB). Questo rende estremamente efficiente l'adattamento del modello a pipeline complesse e reali.

Casi d'uso e consigli#

La scelta tra PP-YOLOE+ e YOLOv9 dipende dai requisiti specifici del progetto, dai vincoli di distribuzione e dalle preferenze in fatto di ecosistemi.

Quando scegliere PP-YOLOE+#

PP-YOLOE+ è una scelta valida per:

• Integrazione con l'ecosistema PaddlePaddle: Organizzazioni che dispongono già di un'infrastruttura basata sul framework e sugli strumenti PaddlePaddle di Baidu.
• Distribuzione edge con Paddle Lite: Distribuzione su hardware con kernel di inferenza altamente ottimizzati specificamente per Paddle Lite o per il motore di inferenza Paddle.
• Rilevamento lato server ad alta accuratezza: Scenari che privilegiano la massima accuratezza di rilevamento su potenti server GPU, dove la dipendenza dal framework non è un problema.

Quando scegliere YOLOv9#

YOLOv9 è consigliato per:

• Ricerca sui colli di bottiglia informativi: progetti accademici che studiano le informazioni di gradiente programmabili (PGI) e le architetture di rete di aggregazione efficiente generalizzata dei livelli (GELAN).
• Studi sull'ottimizzazione del flusso del gradiente: ricerche incentrate sulla comprensione e sulla riduzione della perdita di informazioni nei livelli delle reti profonde durante l'addestramento.
• Benchmark di rilevamento ad alta precisione: scenari in cui le prestazioni di YOLOv9 nei benchmark COCO servono come riferimento per confrontare le architetture.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:

• Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
• Ambienti con sola CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza su CPU di YOLO26, fino al 43% più veloce, offre un vantaggio decisivo.
• Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

Uno sguardo al futuro: i vantaggi di YOLO26#

Sebbene PP-YOLOE+ e YOLOv9 siano entrambi potenti, il nuovo YOLO26 rappresenta il passo successivo per gli ambienti di produzione. Rilasciato a gennaio 2026, YOLO26 stabilisce un nuovo standard per l'edge computing e le distribuzioni cloud. Consigliamo vivamente YOLO26 per tutti i nuovi progetti di visione artificiale, grazie alle sue innovazioni rivoluzionarie:

• Design end-to-end senza NMS: YOLO26 supporta l'inferenza end-to-end nativa, eliminando la necessità della post-elaborazione con soppressione dei non massimi (NMS) quando viene eseguito con nms=False. Questo semplifica notevolmente le pipeline di distribuzione e riduce la latenza.
• Inferenza su CPU fino al 43% più veloce: Ottimizzando specificamente l'architettura per l'edge computing, YOLO26 è notevolmente più veloce sull'hardware privo di GPU dedicate.
• Rimozione di DFL: La Distribution Focal Loss è stata rimossa, semplificando le esportazioni e migliorando drasticamente la compatibilità con i dispositivi edge a basso consumo.
• Ottimizzatore MuSGD: Ispirata alle tecniche di addestramento dei modelli linguistici di grandi dimensioni (come Kimi K2 di Moonshot AI), questa combinazione di SGD e Muon garantisce dinamiche di addestramento molto stabili e una convergenza rapida.
• ProgLoss + STAL: Queste funzioni di perdita avanzate migliorano notevolmente il riconoscimento degli oggetti di piccole dimensioni, un aggiornamento essenziale per le immagini aeree e la robotica.
• Miglioramenti specifici per attività: YOLO26 include architetture personalizzate per attività specifiche, come il proto multiscala per la segmentazione e la stima della log-verosimiglianza residua (RLE) per la stima della posa.

Puoi addestrare e distribuire facilmente i modelli YOLO26 tramite la Ultralytics Platform, una soluzione completa per l'annotazione dei dataset, l'addestramento nel cloud e il monitoraggio dei modelli.

Applicazioni nel mondo reale#

La scelta tra queste architetture spesso dipende dall'ambiente di distribuzione a cui sono destinate.

PP-YOLOE+ viene spesso distribuito nei centri di produzione industriale, soprattutto nelle aree in cui l'integrazione PaddlePaddle e lo stack hardware di Baidu sono profondamente radicati nelle infrastrutture aziendali. Eccelle nell'analisi di immagini statiche, in cui la precisione assoluta ha la priorità sui rigorosi vincoli di tempo reale.

YOLOv9 eccelle negli ambienti dinamici che richiedono un'inferenza rapida in tempo reale. La sua efficienza superiore in termini di parametri lo rende ideale per la navigazione autonoma dei droni e i sistemi di sicurezza basati su dispositivi edge. Inoltre, il minor consumo di VRAM riduce le barriere d'accesso per i ricercatori che addestrano i modelli su GPU di fascia consumer.

Per ottenere le migliori prestazioni nella gestione del traffico nelle smart city e nella robotica ad alta velocità, il più recente YOLO26 non ha rivali: offre l'inferenza end-to-end opzionale senza gli ostacoli dovuti ai colli di bottiglia NMS.