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。

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。

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

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