기술 비교: 물체 감지를 위한 YOLOX와 PP-YOLOE+ 비교
컴퓨터 비전 작업에서 올바른 물체 감지 모델을 선택하는 것은 매우 중요합니다. 이 페이지에서는 정보에 입각한 결정을 내리는 데 도움이 되는 아키텍처, 성능, 사용 사례를 중심으로 두 가지 최신 앵커 프리 모델인 YOLOX와 PP-YOLOE+의 상세한 기술 비교를 제공합니다.
YOLOX: 고성능 앵커 프리 디텍터
Megvii가 2021년 7월에 출시한 YOLOX는 앵커가 필요 없는 물체 감지 모델로, 단순성과 고성능으로 잘 알려져 있습니다. 간소하면서도 효과적인 아키텍처를 제공함으로써 연구와 산업 애플리케이션 간의 격차를 해소하는 것을 목표로 합니다.
아키텍처 및 주요 기능
YOLO 앵커 프리 접근 방식을 채택하여 복잡한 앵커 박스 계산이 필요 없는 YOLO 시리즈를 간소화했습니다. 주요 아키텍처 혁신은 다음과 같습니다:
- 앵커 프리 감지: 앵커 박스를 제거하여 디자인을 간소화하고 하이퍼파라미터의 수를 줄입니다.
- 분리형 헤드: YOLOX는 분류 헤드와 현지화 헤드를 분리하여 특히 정확도 면에서 성능을 향상시킵니다.
- SimOTA 라벨 할당: 예측된 경계 상자를 기반으로 대상을 동적으로 할당하여 훈련을 최적화하는 고급 라벨 할당 전략입니다.
- 강력한 데이터 증강: 믹스업 및 모자이크 증강을 활용하여 견고성과 일반화를 강화합니다.
성능 지표
YOLOX 모델은 정확도와 속도 사이의 강력한 균형을 보여줍니다. 비교 표에서 볼 수 있듯이, YOLOX는 효율적인 추론 시간으로 경쟁력 있는 mAP 점수를 달성합니다. 예를 들어, YOLOX-x는 COCO val 데이터 세트에서 51.1%의 mAP를 달성합니다.
사용 사례
- 자율 주행: 실시간 물체 감지는 자율 주행 및 안전 시스템에서 매우 중요합니다.
- 로봇 공학: 로봇이 주변 환경을 효과적으로 인식하고 상호 작용할 수 있도록 지원합니다.
- 산업 검사: 제조 공정의 품질 관리에는 높은 정확도와 속도가 필수적입니다.
강점 및 약점
강점:
- 높은 정확도와 속도 트레이드오프: 정확도와 추론 속도 모두에서 뛰어난 성능을 달성합니다.
- 간소화된 아키텍처: 앵커가 필요 없는 설계로 구현을 간소화하고 계산 복잡성을 줄입니다.
- 모델 규모에 관계없이 강력한 성능: 다양한 리소스 제약 조건에 맞게 나노부터 엑스 모델까지 제공합니다.
약점:
- 실시간 모델과 비교한 추론 속도: 속도가 빠르긴 하지만, 궁극적인 정확도보다 속도를 우선시하는 YOLOv10과 같은 모델은 더 빠른 추론 속도를 제공할 수 있습니다.
세부 정보:
- 저자: 저자: Zheng Ge, 송타오 리우, 펑 왕, 제밍 리, 지안 선
- 조직 조직: Megvii
- 날짜: 2021-07-18
- 아카이브 링크: 욜록스: 2021년 YOLO 시리즈를 뛰어넘다
- 깃허브 링크: Megvii-BaseDetection/YOLOX
- 문서 링크: YOLOX 문서
PP-YOLOE+: 앵커가 필요 없는 PaddlePaddle 우수성
PP-YOLOE의 향상된 버전인 PP-YOLOE+는PaddlePaddle의 향상된 버전으로, 물체 감지의 높은 정확도와 효율성을 위해 설계되었습니다. 바이두가 2022년 4월에 출시한 이 제품은 앵커 프리 패러다임을 기반으로 강력하고 정밀한 감지가 필요한 산업 애플리케이션에 중점을 두고 있습니다.
아키텍처 및 주요 기능
PP-YOLOE+는 추론 속도를 희생하지 않고 정확성을 강조하여 까다로운 물체 감지 작업에 적합합니다. 아키텍처에는 다음이 포함됩니다:
- 앵커 프리 디자인: 앵커 박스를 제거하여 모델을 단순화하고 하이퍼파라미터 튜닝을 줄입니다.
- 디커플링 헤드: YOLOX와 마찬가지로 분류 및 로컬라이제이션에 디커플링 헤드를 사용하여 정확도를 향상시킵니다.
- 변초점 손실: 정밀한 분류와 바운딩 박스 회귀를 위해 변초점 손실을 사용하여 감지 정밀도를 향상시킵니다.
- CSPRepResNet 백본 및 ELAN 넥: 특징 추출 및 집계를 위해 효율적인 백본 및 넥 아키텍처를 활용합니다.
성능 지표
PP-YOLOE+ 모델은 정확도와 속도 사이에 강력한 균형을 제공합니다. 비교 표는 경쟁력 있는 mAP 점수와 효율적인 TensorRT 추론 시간을 보여줍니다. PP-YOLOE+x는 COCO val 데이터 세트에서 54.7%의 mAP를 달성하여 뛰어난 정확도를 보여줍니다.
사용 사례
- 산업 품질 검사: 제조 결함을 식별하려면 높은 정밀도가 필수적입니다.
- 재활용 효율성: 정확한 물체 감지를 통해 재활용 공장에서 자동 분류를 개선합니다.
- 감시: 보안 시스템에서 안정적인 모니터링을 위해서는 강력하고 정확한 탐지가 필요합니다.
강점 및 약점
강점:
- 높은 정확도: 물체 감지에서 최첨단 정확도를 우선적으로 달성합니다.
- 효율적인 설계: 높은 정확도와 합리적인 추론 속도 사이의 균형을 유지합니다.
- 산업용 포커스: 안정적이고 정밀한 물체 감지가 필요한 산업용 애플리케이션에 적합합니다.
약점:
- 복잡성: 앵커는 없지만 "+" 개선 사항은 단순한 모델에 비해 복잡성을 더합니다.
- 에코시스템 종속: 주로 PaddlePaddle 에코시스템 내에서 다른 프레임워크를 선호하는 사용자가 고려할 수 있는 사항입니다.
세부 정보:
- 저자 PaddlePaddle 저자
- 조직 조직: Baidu
- 날짜: 2022-04-02
- 아카이브 링크: PP-YOLOE: 진화하는 앵커 없는 물체 탐지기
- 깃허브 링크: PaddlePaddle
- 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) |
|---|---|---|---|---|---|---|
| 욜록스나노 | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| 욜록스 | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
기타 모델
YOLOX 및 PP-YOLOE+에 관심이 있는 사용자라면 다음과 같은 Ultralytics YOLO 모델도 인사이트를 얻을 수 있습니다:
- YOLOv5: 간소화된 효율성과 유연성으로 잘 알려져 있으며 다양한 애플리케이션에 적합한 다양한 모델 크기를 제공합니다. YOLOv5 대해 자세히 알아보세요.
- YOLOv8: 물체 감지, 분할, 포즈 추정 작업 전반에서 속도와 정확도의 균형을 제공하는 YOLO 시리즈의 최신 버전입니다. YOLOv8 대해 자세히 알아보세요.
- YOLOv10: 엣지 디바이스에 이상적인 뛰어난 속도와 효율성을 위해 설계된 최첨단 실시간 물체 감지 기술입니다. YOLOv10에 대해 자세히 알아보세요.
- YOLO11: 향상된 성능과 기능으로 AI에서 가능한 것의 한계를 재정의하는 최신 Ultralytics YOLO 모델입니다. YOLO11 대해 자세히 알아보세요.
