모델 비교: 물체 감지를 위한 YOLO11 PP-YOLOE+ 비교
컴퓨터 비전 프로젝트에서 올바른 물체 감지 모델을 선택하는 것은 매우 중요합니다. Ultralytics YOLO11 PP-YOLOE+는 모두 최첨단 모델이며, 각기 다른 애플리케이션 요구 사항을 충족하는 고유한 강점을 가지고 있습니다. 이 페이지에서는 이 두 가지 강력한 모델 중에서 정보에 입각한 결정을 내리는 데 도움이 되는 자세한 기술 비교를 제공합니다.
Ultralytics YOLO11
UltralyticsYOLO11 Ultralytics 개발한 YOLO 시리즈의 최신 버전입니다. 실시간 객체 감지 기능으로 잘 알려진 YOLO11 이전 버전을 기반으로 속도와 정확성을 모두 향상시켰습니다. 단일 단계 탐지 패러다임을 유지하여 정밀도 저하 없이 효율적인 추론에 우선순위를 둡니다.
아키텍처 및 주요 기능
YOLO11 빠른 추론에 최적화된 간소화된 아키텍처가 특징입니다. 네트워크 토폴로지 및 학습 기법의 발전을 통합하여 매개변수 수와 성능 간의 균형을 맞춥니다. 주요 아키텍처 기능은 다음과 같습니다:
- 효율적인 백본: 빠른 특징 추출을 위해 고효율 백본 네트워크를 활용합니다.
- 앵커 프리 감지: 앵커 박스 없이 작동하여 감지 프로세스를 간소화하고 다양한 물체 규모에 대한 적응성을 향상시켜 YOLOv8 유사합니다.
- 확장 가능한 모델 크기: 엣지 디바이스에서 고성능 서버에 이르기까지 다양한 컴퓨팅 리소스에 적합한 다양한 모델 크기(n, s, m, l, x)를 제공하여 배포의 다양성을 보장합니다.
성능 지표
YOLO11 속도와 정확도의 균형을 맞추는 데 탁월하여 실시간 애플리케이션에 적합합니다. 인상적인 추론 속도를 유지하면서 COCO와 같은 데이터 세트에서 최첨단 평균 정밀도(mAP)를 보여줍니다. 아래 비교 표에 자세히 설명된 대로 모델 크기에 따라 속도와 정확도 간에 다양한 절충점을 제공합니다.
사용 사례 및 강점
YOLO11 속도와 높은 정확도가 조화를 이루어야 하는 애플리케이션에 이상적입니다:
- 실시간 비디오 분석: 보안 시스템, 트래픽 모니터링, 대기열 관리와 같은 애플리케이션은 YOLO11 속도와 정확성의 이점을 누릴 수 있습니다.
- 엣지 배포: 효율성과 컴팩트한 크기 덕분에 YOLO11 라즈베리 파이 및 NVIDIA Jetson과 같은 엣지 디바이스에 배포하는 데 탁월합니다.
- 다양한 애플리케이션: 제조업의 품질 관리를 위한 AI부터 소매업의 도난 방지를 위한 컴퓨터 비전까지, YOLO11 적응력은 다양한 영역에서 강력한 선택이 될 수 있습니다.
작성자 및 날짜:
- 저자 저자: 글렌 조처와 징 치우
- 조직: Ultralytics
- 날짜: 2024-09-27
- 깃허브 링크: Ultralytics YOLOv8 GitHub 리포지토리
- 문서 링크: Ultralytics YOLO11 문서
PP-YOLOE+
PP-YOLOE+(실용적인 PaddlePaddle 한 단계 더 효율적인 플러스)는 패들감지 모델 동물원의 일부로 바이두에서 개발했습니다. 합리적인 효율성을 유지하면서 물체 감지의 높은 정확도를 달성하는 데 중점을 둡니다. PP-YOLOE+는 성능 향상을 위해 아키텍처를 개선한 PP-YOLOE의 향상된 버전입니다.
아키텍처 및 주요 기능
PP-YOLOE+는 앵커가 필요 없는 단일 단계 물체 감지 모델입니다. 객체 중심과 바운딩 박스 매개변수를 직접 예측하여 감지 프로세스를 간소화합니다. 주요 기능은 다음과 같습니다:
- 앵커 프리 디자인: 앵커 박스의 복잡성을 피하여 모델 아키텍처와 트레이닝을 간소화합니다.
- 효율적인 아키텍처: ResNet 백본을 사용하고 최적화 기술에 집중하여 계산 오버헤드를 줄이면서도 경쟁력 있는 정확도를 유지합니다.
- PaddlePaddle 에코시스템 통합: PaddlePaddle 프레임워크 내에서 원활한 통합 및 배포를 위해 최적화되어 에코시스템의 이점을 활용합니다.
성능 지표
PP-YOLOE+ 모델은 정확도와 속도의 균형을 맞추기 위해 다양한 구성(t, s, m, l, x)을 제공합니다. 제공된 데이터에서 자세한 CPU ONNX 속도 메트릭은 쉽게 확인할 수 없지만, PP-YOLOE+ 모델은 정확도와 효율적인 배포가 중요한 애플리케이션에 적합한 경쟁력 있는 mAP 및 효율적인 TensorRT 추론 속도를 보여줍니다.
사용 사례 및 강점
PP-YOLOE+는 특히 PaddlePaddle 에코시스템 내에서 높은 정확도와 효율성이 가장 중요한 애플리케이션에 적합합니다:
- 산업 검사: 제조 분야의 고속 품질 검사에 적합하며 정확성과 효율성이 뛰어나다는 장점이 있습니다.
- 엣지 컴퓨팅: 최적화된 아키텍처로 모바일 및 임베디드 디바이스에 효율적으로 배포할 수 있습니다.
- 로보틱스: 동적 환경에서 작동하는 로봇에 실시간 인식 기능을 제공하여 속도와 정확성을 활용합니다.
- 높은 처리량 처리: 대량의 이미지 또는 비디오 스트림에서 빠른 객체 감지가 필요한 시나리오에 적합합니다.
작성자 및 날짜:
- 저자 PaddlePaddle 저자
- 조직 조직: Baidu
- 날짜: 2022-04-02
- ArXiv 링크: PP-YOLOE ArXiv 논문
- 깃허브 링크: 패들감지 깃허브 리포지토리
- 문서 링크: PP-YOLOE+ 문서
모델 비교 표
모델 | 크기 (픽셀) |
mAPval 50-95 |
속도 CPU ONNX (ms) |
속도 T4TensorRT10 (ms) |
매개변수 (M) |
FLOPs (B) |
---|---|---|---|---|---|---|
YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
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 |
결론
YOLO11 PP-YOLOE+는 모두 강력한 객체 감지 모델입니다. YOLO11 다양한 작업에서 속도와 정확도의 균형을 효과적으로 유지하면서 Ultralytics 에코시스템 내에서 다재다능하고 사용자 친화적인 경험을 제공합니다. 특히 PaddlePaddle 프레임워크에 통합되어 있거나 산업용 애플리케이션을 위한 앵커 프리 설계를 우선시하는 사용자에게 정확성과 효율성이 뛰어난 PP-YOLOE+는 탁월한 성능을 제공합니다.
다른 모델에 관심이 있는 사용자를 위해 Ultralytics 다음과 같은 다양한 최신 모델을 제공합니다: