コンテンツへスキップ

PP-YOLOE+ vsYOLOv5:詳細な技術比較

適切な物体検出モデルを選択することは、コンピュータビジョンのタスクにおいて非常に重要です。このページでは、物体検出の性能と効率で知られる2つの人気モデル、PP-YOLOE+とUltralytics YOLOv55の技術比較を行います。それぞれのアーキテクチャ、性能指標、適切なアプリケーションについて詳しく説明し、十分な情報に基づいた決断をお手伝いします。

PP-YOLOE+

PaddlePaddle Authors from Baiduが2022-04-02に発表したPP-YOLOE+(Arxivリンク)は、PaddlePaddle エコシステム(GitHubリンク)において、その効率性と導入の容易さで知られるアンカーフリーのシングルステージ検出器である。簡素化された構成で高性能を強調している(Docs Link)。

アーキテクチャと主な特徴

PP-YOLOE+は、YOLO アーキテクチャーにいくつかの機能強化を加えたものである:

  • アンカーフリー設計:アンカーボックスの必要性を排除し、ハイパーパラメータのチューニングを減らすことで、検出プロセスを簡素化します。アンカーフリーの検出器をご覧ください。
  • バックボーン:効率的な特徴抽出のために改良されたResNetバックボーンを利用。
  • ネックパス集約ネットワーク(PAN)を採用し、YOLOv55のPANetと同様、異なるスケールの特徴フュージョンを強化。
  • 分離ヘッド:分類ヘッドと回帰ヘッドを分離し、精度とトレーニング効率を向上。
  • タスクアライメント学習(TAL)損失:より正確な検出のために、分類とローカリゼーションタスクをアライメントします。ロス関数についてはUltralytics Docsをご覧ください。

パフォーマンス

PP-YOLOE+は、精度とスピードのバランスを考慮して設計されています。具体的な指標は様々ですが、一般的に計算効率が高いと考えられており、リアルタイムアプリケーションに適しています。

使用例

PP-YOLOE+は、ロバストで効率的な物体検出を必要とするアプリケーションに適している:

強みと弱み

  • 強み:
    • アンカー不要の設計で実装が簡単。
    • 高い精度と効率的な推論能力。
    • PaddlePaddle フレームワークの中で十分に文書化され、サポートされている。
  • 弱点:
    • PaddlePaddle 環境外のユーザーに対するエコシステムのロックイン。
    • YOLOv5ような広く採用されているモデルと比べると、コミュニティが小さく、リソースも少ない可能性がある。

PP-YOLOE+についてさらに詳しく

YOLOv5

Ultralytics YOLOv55は、Ultralytics Glenn Jocher氏によって作成され、2020-06-26にリリースされた(GitHub Link)。完全にPyTorch 構築され、研究と実用的なアプリケーションの両方のために設計されています(Docs Link)。

アーキテクチャと主な特徴

YOLOv5 5は、その合理的で効率的なアーキテクチャで有名である:

  • バックボーン:CSPDarknet53、特徴抽出の効率化のために最適化されている。
  • ネックPANetによる効果的な特徴ピラミッド生成、マルチスケール特徴融合の強化。
  • ヘッド:シンプルさとスピードを追求したシングルコンボリューションレイヤーの検出ヘッド。
  • データ増強:モデルのロバスト性を向上させるために、MosaicやMixUpのような強力なデータ増強技術を採用しています。データ増強について学ぶ
  • 複数のモデルサイズ:さまざまな計算ニーズに対応するため、さまざまなモデルサイズ(n、s、m、l、x)を提供。

パフォーマンス

YOLOv5 5は、スピードと精度のバランスで有名で、様々なモデルサイズにわたってリアルタイムの物体検出を提供します。高速かつ効率的に設計されているため、さまざまな環境での展開に最適です。詳細については、YOLO パフォーマンス・メトリクスをご覧ください。

使用例

YOLOv55の多用途性は、幅広い用途に適している:

強みと弱み

  • 強み:
  • 弱点:
    • 大きなモデルは計算量が多くなる。
    • アンカー・ベースのアプローチは、アンカー・フリーの手法と比較して、特定のデータセットに対してよりチューニングが必要になる場合があります。アンカーベースの検出器について学ぶ。

YOLOv5もっと知る

パフォーマンス表

モデル サイズ
(ピクセル)
mAPval
50-95
速度
CPU ONNX
(ms)
スピード
T4TensorRT10
(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

結論

PP-YOLOE+とYOLOv5 5はどちらもロバストなオブジェクト検出モデルです。PP-YOLOE+は効率的なアンカーフリーアプローチを提供し、特にPaddlePaddle エコシステムにおいて有益です。Ultralytics YOLOv5 リアルタイムアプリケーションに優れており、スピードの最適化と幅広いモデルサイズを提供し、大規模なコミュニティと包括的なエコシステムに支えられています。

ユーザーは、以下のようなUltralytics 他のYOLO モデルにも興味があるかもしれない:

  • スピードと効率性で知られるYOLOv7
  • YOLOv8最先端の性能を備えたUltralytics 最新モデル。
  • YOLO11YOLO11は、効率と精度に焦点を当てた最新の反復である。
  • YOLOv9は、精度とスピードの両面で進化を遂げている。

PP-YOLOE+とYOLOv5 どちらを選択するかは、プロジェクトのニーズ、フレームワークの好み、スピードと精度の必要なバランスによって決まる。

📅作成:1年前 ✏️更新:1ヶ月前

コメント