Saltar para o conteúdo

PP-YOLOE+ vs YOLOv5: Comparação técnica pormenorizada

A escolha do modelo de deteção de objectos correto é crucial para as tarefas de visão computacional. Esta página fornece uma comparação técnica entre o PP-YOLOE+ e o Ultralytics YOLOv5, dois modelos populares conhecidos pelo seu desempenho e eficiência na deteção de objectos. Iremos aprofundar as suas arquitecturas, métricas de desempenho e aplicações adequadas para o ajudar a tomar uma decisão informada.

PP-YOLOE+

PP-YOLOE+, introduzido por PaddlePaddle Authors da Baidu em 2022-04-02(Arxiv Link), é um detetor de estágio único sem âncora conhecido por sua eficiência e facilidade de implantação dentro do ecossistema PaddlePaddle (GitHub Link). Ele enfatiza o alto desempenho com uma configuração simplificada(Docs Link).

Arquitetura e principais caraterísticas

O PP-YOLOE+ baseia-se na arquitetura YOLO com várias melhorias:

  • Design sem âncoras: Simplifica o processo de deteção ao eliminar a necessidade de caixas de ancoragem, reduzindo a afinação de hiperparâmetros. Descubra os detectores sem âncoras.
  • Backbone: Utiliza um backbone ResNet com melhorias para uma extração eficiente de caraterísticas.
  • Pescoço: Utiliza uma rede de agregação de trajectos (Path Aggregation Network - PAN) para uma melhor fusão de caraterísticas em diferentes escalas, semelhante à PANet do YOLOv5.
  • Cabeça desacoplada: Separa as cabeças de classificação e regressão, melhorando a precisão e a eficiência do treinamento.
  • Perda de Aprendizagem de Alinhamento de Tarefas (TAL): Alinha tarefas de classificação e localização para detecções mais precisas. Explore as funções de perda nos documentos Ultralytics .

Desempenho

O PP-YOLOE+ foi concebido para um equilíbrio entre precisão e velocidade. Embora as métricas específicas variem, é geralmente considerado computacionalmente eficiente, tornando-o adequado para aplicações em tempo real.

Casos de utilização

O PP-YOLOE+ é adequado para aplicações que exigem uma deteção de objectos robusta e eficiente, tais como

Pontos fortes e pontos fracos

  • Pontos fortes:
    • O design sem âncoras simplifica a implementação.
    • Elevada precisão e capacidades de inferência eficientes.
    • Bem documentado e suportado na estrutura PaddlePaddle .
  • Pontos fracos:
    • Bloqueio do ecossistema para utilizadores fora do ambiente PaddlePaddle .
    • Comunidade potencialmente mais pequena e menos recursos em comparação com modelos amplamente adoptados como o YOLOv5.

Saiba mais sobre PP-YOLOE+

YOLOv5

Ultralytics YOLOv5, da autoria de Glenn Jocher da Ultralytics e lançado em 2020-06-26(GitHub Link), é um modelo de deteção de objectos de última geração celebrado pela sua velocidade, precisão e facilidade de utilização. É construído inteiramente em PyTorch e concebido tanto para investigação como para aplicações práticas(Docs Link).

Arquitetura e principais caraterísticas

YOLOv5 é conhecido pela sua arquitetura simplificada e eficiente:

  • Backbone: CSPDarknet53, optimizado para eficiência de extração de caraterísticas.
  • Pescoço: PANet para a geração efectiva de pirâmides de caraterísticas, melhorando a fusão de caraterísticas multi-escala.
  • Cabeça: Uma cabeça de deteção de camada de convolução única para simplicidade e rapidez.
  • Aumento de dados: Utiliza técnicas robustas de aumento de dados, como Mosaic e MixUp, para melhorar a robustez do modelo. Saiba mais sobre o aumento de dados.
  • Vários tamanhos de modelos: Oferece uma gama de tamanhos de modelos (n, s, m, l, x) para diferentes necessidades computacionais.

Desempenho

YOLOv5 é famoso pelo seu equilíbrio entre velocidade e precisão, fornecendo deteção de objectos em tempo real em vários tamanhos de modelos. Foi concebido para ser rápido e eficiente, o que o torna ideal para ser implementado em diversos ambientes. Explore as métricas de desempenho YOLO para obter mais detalhes.

Casos de utilização

A versatilidade do YOLOv5 torna-o adequado para uma vasta gama de aplicações:

Pontos fortes e pontos fracos

  • Pontos fortes:
  • Pontos fracos:
    • Os modelos de maiores dimensões podem ser computacionalmente intensivos.
    • A abordagem baseada em âncoras pode exigir mais afinação para conjuntos de dados específicos em comparação com métodos sem âncoras. Saiba mais sobre detectores baseados em âncoras.

Saiba mais sobre o YOLOv5

Tabela de desempenho

Modelo tamanho
(pixéis)		 mAPval
50-95		 Velocidade
CPU ONNX
(ms)		 Velocidade
T4TensorRT10
(ms)		 params
(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

Conclusão

Tanto o PP-YOLOE+ como YOLOv5 são modelos robustos de deteção de objectos. O PP-YOLOE+ fornece uma abordagem eficiente sem âncoras, particularmente benéfica no ecossistema PaddlePaddle . Ultralytics YOLOv5 destaca-se em aplicações em tempo real, oferecendo optimizações de velocidade e uma vasta gama de tamanhos de modelos, apoiados por uma grande comunidade e um ecossistema abrangente.

Os utilizadores podem também estar interessados em explorar outros modelosYOLO Ultralytics , tais como:

  • YOLOv7, conhecido pela sua rapidez e eficácia.
  • YOLOv8, o mais recente modelo Ultralytics com um desempenho topo de gama.
  • YOLO11a mais recente iteração centrada na eficiência e na precisão.
  • YOLOv9, que oferece avanços tanto em termos de precisão como de velocidade.

A escolha entre o PP-YOLOE+ e YOLOv5 depende das necessidades do projeto, da preferência da estrutura e do equilíbrio necessário entre velocidade e precisão.

📅C riado há 1 ano ✏️ Atualizado há 1 mês
glenn-jocher

Comentários