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
- Inspeção da qualidade industrial: Para deteção de defeitos e controlo de qualidade no fabrico. A IA de visão no fabrico está a transformar os processos industriais.
- Automatização da reciclagem: Melhorar a eficiência da reciclagem através da identificação de materiais recicláveis.
- Retalho inteligente: Para IA para uma gestão mais inteligente do inventário de retalho e análise do comportamento do cliente.
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.
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:
- Seguimento de objectos em tempo real: Ideal para sistemas de vigilância e segurança que requerem uma rápida deteção e seguimento de objectos. A deteção e o seguimento de objectos com o Ultralytics YOLOv8 mostra aplicações semelhantes.
- Implantação de dispositivos de borda: Eficiente para implantação de dispositivo de borda com YOLOv8 em dispositivos como Raspberry Pi e NVIDIA Jetson. Consulte o guia de início rápido do Raspberry Pi e o guia de início rápido do NVIDIA Jetson.
- Conservação da vida selvagem: Utilizado na proteção da biodiversidade com o YOLOv5 para monitorização de animais.
Pontos fortes e pontos fracos
- Pontos fortes:
- Velocidade excecional e desempenho em tempo real.
- Implementação flexível com vários tamanhos de modelos.
- Comunidade grande e ativa com apoio extensivo. Junte-se à comunidade Ultralytics .
- Fácil de utilizar, com excelente documentação e integração Ultralytics HUB. DocumentaçãoUltralytics HUB.
- 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.
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.