PP-YOLOE+와 YOLOv5: 자세한 기술 비교
컴퓨터 비전 작업에는 올바른 물체 감지 모델을 선택하는 것이 중요합니다. 이 페이지에서는 물체 감지 성능과 효율성으로 널리 알려진 두 가지 인기 모델인 PP-YOLOE+와 Ultralytics YOLOv5 기술적 비교를 제공합니다. 각 모델의 아키텍처, 성능 메트릭, 적합한 애플리케이션을 자세히 살펴보고 정보에 입각한 결정을 내릴 수 있도록 도와드립니다.
PP-YOLOE+
2022-04-02에 바이두의 PaddlePaddle 저자들이 소개한 PP-YOLOE+는 앵커가 없는 단일 단계 탐지기로, PaddlePaddle 에코시스템 내에서 효율성과 배포 용이성으로 잘 알려져 있습니다(GitHub 링크). 간소화된 구성으로 고성능을 강조합니다(문서 링크).
아키텍처 및 주요 기능
PP-YOLOE+는 몇 가지 향상된 기능으로 YOLO 아키텍처를 기반으로 합니다:
- 앵커 프리 디자인: 앵커 박스가 필요 없어 감지 프로세스가 간소화되고 하이퍼파라미터 튜닝이 줄어듭니다. 앵커 프리 디텍터에 대해 알아보세요.
- 백본: 효율적인 특징 추출을 위해 개선된 ResNet 백본을 활용합니다.
- Neck: 경로 통합 네트워크(PAN)를 사용하여 다양한 규모에서 향상된 기능 융합을 지원하며, YOLOv5 PANet과 유사합니다.
- 분리형 헤드: 분류 헤드와 회귀 헤드를 분리하여 정확도와 훈련 효율성을 높입니다.
- 작업 정렬 학습(TAL) 손실: 보다 정확한 탐지를 위해 분류 및 로컬라이제이션 작업을 정렬합니다. Ultralytics 문서에서 손실 기능을 살펴보세요.
성능
PP-YOLOE+는 정확도와 속도 사이의 균형을 위해 설계되었습니다. 구체적인 지표는 다양하지만 일반적으로 계산 효율성이 높기 때문에 실시간 애플리케이션에 적합합니다.
사용 사례
PP-YOLOE+는 다음과 같이 강력하고 효율적인 물체 감지가 필요한 애플리케이션에 적합합니다:
- 산업 품질 검사: 제조 분야의 결함 감지 및 품질 관리용. 제조 분야의 비전 AI는 산업 프로세스를 혁신하고 있습니다.
- 재활용 자동화: 재활용 가능한 재료를 식별하여 재활용 효율을 개선합니다.
- 스마트 리테일: 더 스마트한 리테일 재고 관리 및 고객 행동 분석을 위한 AI입니다.
강점 및 약점
- 강점:
- 앵커가 필요 없는 디자인으로 구현이 간편합니다.
- 높은 정확도와 효율적인 추론 기능.
- PaddlePaddle 프레임워크 내에서 잘 문서화되고 지원됩니다.
- 약점:
- PaddlePaddle 환경 외부의 사용자를 위한 에코시스템 종속.
- YOLOv5 같이 널리 채택된 모델에 비해 잠재적으로 더 작은 커뮤니티와 더 적은 리소스를 제공합니다.
YOLOv5
Ultralytics Glenn Jocher가 작성하고 2020-06-26에 출시된(GitHub 링크)Ultralytics YOLOv5 속도, 정확성, 사용자 친화성으로 유명한 최첨단 객체 감지 모델입니다. 이 모델은 전적으로 PyTorch 구축되었으며 연구 및 실제 애플리케이션 모두를 위해 설계되었습니다(문서 링크).
아키텍처 및 주요 기능
YOLOv5 간소화되고 효율적인 아키텍처로 유명합니다:
- 백본: 특징 추출 효율을 위해 최적화된 CSPDarknet53.
- Neck: 효과적인 피처 피라미드 생성을 위한 PANet으로 멀티스케일 피처 융합을 강화합니다.
- 헤드: 단순성과 속도를 위한 단일 컨볼루션 레이어 감지 헤드입니다.
- 데이터 증강: 모델 견고성을 개선하기 위해 Mosaic 및 MixUp과 같은 강력한 데이터 증강 기술을 사용합니다. 데이터 증강에 대해 자세히 알아보세요.
- 다양한 모델 크기: 다양한 계산 요구 사항에 맞는 다양한 모델 크기(n, s, m, l, x)를 제공합니다.
성능
YOLOv5 속도와 정확도의 균형이 잘 잡혀 있어 다양한 모델 크기에서 실시간 물체 감지를 제공하는 것으로 유명합니다. 빠르고 효율적으로 설계되어 다양한 환경에 배포하기에 이상적입니다. 자세한 내용은 YOLO 성능 메트릭을 살펴보세요.
사용 사례
YOLOv5 다재다능한 기능 덕분에 다양한 애플리케이션에 적합합니다:
- 실시간 객체 추적: 신속한 물체 감지 및 추적이 필요한 감시 및 보안 시스템에 이상적입니다. Ultralytics YOLOv8 사용한 물체 감지 및 추적은 유사한 애플리케이션을 보여줍니다.
- 엣지 디바이스 배포: 라즈베리 파이 및 NVIDIA Jetson과 같은 디바이스에서 YOLOv8 사용하여 엣지 디바이스를 효율적으로 배포할 수 있습니다. 라즈베리 파이 빠른 시작 가이드 및 NVIDIA Jetson 빠른 시작 가이드를 참조하세요.
- 야생동물 보호: 동물 모니터링을 위해 YOLOv5 생물 다양성을 보호하는 데 사용됩니다.
강점 및 약점
- 강점:
- 탁월한 속도와 실시간 성능.
- 다양한 모델 크기로 유연하게 배포할 수 있습니다.
- 광범위한 지원을 제공하는 대규모의 활발한 커뮤니티. Ultralytics 커뮤니티에 가입하세요.
- 뛰어난 문서와 Ultralytics HUB 통합으로 사용이 간편합니다. Ultralytics HUB 설명서.
- 약점:
- 규모가 큰 모델은 계산 집약적일 수 있습니다.
- 앵커 기반 접근 방식은 앵커가 없는 방식에 비해 특정 데이터 세트에 대해 더 많은 조정이 필요할 수 있습니다. 앵커 기반 탐지기에 대해 자세히 알아보세요.
성능 표
모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4TensorRT10 (ms) |
매개변수 (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 |
결론
PP-YOLOE+와 YOLOv5 모두 강력한 객체 감지 모델입니다. PP-YOLOE+는 효율적인 앵커 프리 접근 방식을 제공하며, 특히 PaddlePaddle 에코시스템 내에서 유용합니다. 실시간 애플리케이션에서 탁월한 성능을 발휘하는 Ultralytics YOLOv5 대규모 커뮤니티와 포괄적인 에코시스템의 지원을 받아 속도 최적화와 다양한 모델 크기를 제공합니다.
사용자는 다음과 같은 다른 Ultralytics YOLO 모델을 살펴보는 데에도 관심이 있을 수 있습니다:
- 속도와 효율성으로 유명한 YOLOv7.
- YOLOv8최첨단 성능을 갖춘 최신 Ultralytics 모델입니다.
- YOLO11는 효율성과 정확성에 중점을 둔 최신 반복 작업입니다.
- 정확도와 속도가 모두 향상된 YOLOv9.
프로젝트의 요구 사항, 프레임워크 선호도, 속도와 정확성 사이의 균형에 따라 PP-YOLOE+와 YOLOv5 중 하나를 선택해야 합니다.