コンテンツへスキップ

YOLOv9とPP-YOLOE+の比較: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、YOLOv9と PP-YOLOE+の技術比較を行い、アーキテクチャ、パフォーマンス、アプリケーションを検証して、選択の指針を示します。

YOLOv9:プログラム可能なグラデーション情報

2024年に発表されるYOLOv9は、YOLO シリーズを大きく進化させるもので、斬新な建築設計による情報保存に重点を置いている。

  • アーキテクチャYOLOv9は、台湾中央研究院情報科学研究所のChien-Yao Wang氏とHong-Yuan Mark Liao氏によって執筆された。プログラマブル勾配情報(PGI)とGeneralized Efficient Layer Aggregation Network(GELAN)を導入している。PGIは深いネットワーク伝播中の情報損失に対処し、GELANはネットワーク効率を最適化する。この革新的な組み合わせは、計算コストを大幅に増加させることなく精度を向上させることを目的としている。原著論文はarXivに掲載されている。公式GitHubリポジトリには実装の詳細が掲載されている。
  • パフォーマンスYOLOv9は、スピードと精度のバランスを保ちながら、最先端の性能を達成している。比較表と表で示したように、YOLOv9モデルは推論速度を維持しながら、高いmAP値を示している。例えば、YOLOv9cは53.0%のmAPval50-95を達成している。
  • ユースケースYOLOv9の強化された効率と精度は、限られた計算資源で高い検出性能が重要となるロボット工学自律走行セキュリティシステムなど、幅広い用途に適している。

YOLOv9についてもっと知る

PP-YOLOE+:強化されたアンカーなし検出

PaddlePaddle 社が開発し、PaddleDetectionフレームワークで詳述されているPP-YOLOE+は、アンカーを使わないアプローチと効率性で知られるPP-YOLOEシリーズの進化版である。

  • アーキテクチャPP-YOLOE+は、アンカーフリーの検出パラダイムをベースに構築され、モデルを簡素化し、アンカー関連のハイパーパラメータの必要性を減らしている。通常、バックボーン、ネック、検出ヘッドの設計において、ベースとなるPP-YOLOEよりも改良されており、しばしば検出精度を向上させるために、非結合ヘッドやVariFocal Lossのような技術が取り入れられています。ドキュメントと実装はPaddleDetection GitHubで公開されている。
  • パフォーマンスPP-YOLOE+モデルは、精度と推論速度のバランスを重視して設計されています。比較表に示すように、PP-YOLOE+mやPP-YOLOE+lのようなPP-YOLOE+モデルは、競争力のあるmAPスコアと効率的な推論時間を提供し、様々なアプリケーションに対応します。
  • 使用例PP-YOLOE+のアンカーフリー設計とバランスの取れた性能特性は、堅牢で効率的な物体検出が必要な工業品質検査スマート小売環境モニタリングなどの用途に適しています。

PP-YOLOE+ドキュメント(PaddleDetection)

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)
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

他の高性能物体検出モデルにご興味のあるユーザー様には、Ultralytics YOLOv5、YOLOv7、YOLOv8 、そして最先端のYOLO11提供しており、それぞれが独自の強みと最適化を備えています。モデルの比較や詳細については、Ultralyticsのドキュメントをご覧ください。

📅作成:1年前 ✏️更新:1ヶ月前

コメント