PP-YOLOE+ vs YOLOv5: Navegar pela deteção de elevada precisão e prontidão de produção

A seleção do modelo de deteção de objectos ideal envolve frequentemente um compromisso entre as métricas académicas brutas e as capacidades práticas de implementação. Esta comparação técnica examina o PP-YOLOE+, um detetor evoluído sem âncoras do ecossistema PaddlePaddle , e o Ultralytics YOLOv5o modelo padrão da indústria conhecido pelo seu equilíbrio entre velocidade, precisão e facilidade de utilização. Enquanto o PP-YOLOE+ ultrapassa os limites da precisão médiamAP), YOLOv5 continua a ser uma força dominante nas aplicações de inferência em tempo real devido à sua experiência inigualável de programador e versatilidade de implementação.

PP-YOLOE+: Engenharia de precisão em PaddlePaddle

O PP-YOLOE+ é uma versão actualizada do PP-YOLOE, desenvolvida por investigadores da Baidu como parte do conjunto PaddleDetection. Foi concebido para ser um detetor de objectos industrial eficiente e de última geração, com foco em tarefas de alta precisão. Ao tirar partido de uma arquitetura sem âncoras, simplifica o pipeline de treino e reduz a afinação de hiperparâmetros frequentemente associada a métodos baseados em âncoras.

Autores: PaddlePaddle Autores
Organização: Baidu
Data: 2022-04-02
Arxiv: https://arxiv.org/abs/2203.16250
GitHub: PaddlePaddle
Docs: https:PaddlePaddle

Arquitetura e inovação

A arquitetura do PP-YOLOE+ introduz vários mecanismos avançados para melhorar a representação e localização de caraterísticas:

• Backbone: Utiliza a CSPRepResNet, um backbone que combina os benefícios do fluxo gradiente das redes Cross Stage Partial (CSP) com as técnicas de re-parametrização da RepVGG.
• Cabeça sem âncora: Uma cabeça alinhada com a tarefa eficiente (ET-Head) é utilizada para dissociar as tarefas de classificação e regressão, melhorando a velocidade de convergência e a precisão.
• Estratégia de treinamento: Incorpora a Aprendizagem de Alinhamento de Tarefas (TAL) para atribuir dinamicamente amostras positivas, garantindo que as previsões de maior qualidade sejam priorizadas durante o treinamento.
• Funções de perda: Emprega a Perda VariFocal (VFL) e a Perda Focal de Distribuição (DFL) para lidar com o desequilíbrio de classes e refinar a precisão da caixa delimitadora.

Forças e Fraquezas

O PP-YOLOE+ destaca-se em cenários em que a máxima precisão é fundamental. O seu design sem âncoras elimina a necessidade de agrupar caixas de âncoras, tornando-o adaptável a conjuntos de dados com formas de objectos variáveis. No entanto, a sua forte dependência do PaddlePaddle pode ser um obstáculo para as equipas padronizadas em PyTorch ou TensorFlow. Embora existam ferramentas para converter modelos, o suporte do ecossistema nativo é menos extenso do que o de estruturas mais universalmente adoptadas.

Saiba mais sobre o PP-YOLOE+.

Ultralytics YOLOv5: O padrão global para IA de visão

Lançado por Glenn Jocher em 2020, Ultralytics YOLOv5 mudou fundamentalmente o cenário da visão computacional, tornando a deteção de objetos de última geração acessível a desenvolvedores de todos os níveis de habilidade. Construído nativamente no PyTorch, YOLOv5 se concentra na "eficiência do treinamento" e na "facilidade de uso", fornecendo um caminho contínuo desde a curadoria do conjunto de dados até a implantação da produção.

Autores: Glenn Jocher
Organização: Ultralytics
Data: 2020-06-26
GitHub: yolov5
Docs: https:yolov5

Arquitetura e Principais Características

YOLOv5 utiliza uma arquitetura baseada em âncoras altamente optimizada que equilibra a profundidade e a largura para maximizar o rendimento:

• CSPDarknet Backbone: A conceção da rede Cross Stage Partial minimiza a informação redundante do gradiente, aumentando a capacidade de aprendizagem e reduzindo os parâmetros.
• PANet Neck: Uma rede de agregação de caminhos (PANet) melhora o fluxo de informação, ajudando o modelo a localizar objectos com precisão em diferentes escalas.
• Aumento do mosaico: Uma técnica avançada de aumento de dados que combina quatro imagens de treino numa só, melhorando significativamente a capacidade do modelo para detect pequenos objectos e generalizar para novos ambientes.
• Algoritmos genéticos: A evolução automatizada de hiperparâmetros permite que o modelo se auto-ajuste para um desempenho ótimo em conjuntos de dados personalizados.

Pontos fortes e ecossistema

YOLOv5 é conhecido pela sua facilidade de utilização. A API é intuitiva, permitindo aos utilizadores carregar um modelo e executar a inferência em apenas algumas linhas de código Python .

import torch

# Load a pretrained YOLOv5s model
model = torch.hub.load("ultralytics/yolov5", "yolov5s")

# Run inference on an image
results = model("https://ultralytics.com/images/zidane.jpg")

# Print results
results.print()

Para além do código, o ecossistema bem mantido distingue YOLOv5 . Os utilizadores beneficiam de actualizações frequentes, de um enorme fórum da comunidade e de integrações perfeitas com ferramentas MLOps como o Comet e o ClearML. A versatilidade do modelo vai além da simples deteção, suportando tarefas de segmentação de instâncias e classificação de imagens dentro da mesma estrutura. Além disso, os modelos YOLOv5 geralmente apresentam requisitos de memória mais baixos durante o treinamento em comparação com arquiteturas baseadas em transformadores, tornando-os acessíveis em GPUs de nível de consumidor.

Saiba mais sobre o YOLOv5.

Comparação do desempenho técnico

Ao comparar os dois modelos, é essencial analisar as métricas que afectam a utilidade no mundo real, como a velocidade de inferência e a contagem de parâmetros, juntamente com as métricas de precisão padrão, como o mAP.

Análise dos resultados

• Precisão vs. Velocidade: O PP-YOLOE+ demonstra pontuações mAP mais elevadas, particularmente nas variantes maiores (l e x), beneficiando da sua cabeça sem âncoras e da estratégia TAL. No entanto, YOLOv5 oferece um equilíbrio de desempenho superior, proporcionando uma precisão altamente competitiva com uma latência significativamente mais baixa (ver velocidades TensorRT ). Isto torna YOLOv5 particularmente adequado para aplicações de IA de ponta em que cada milissegundo conta.
• Eficiência de recursos: O YOLOv5n (Nano) é extremamente leve com apenas 2,6M parâmetros, tornando-o ideal para dispositivos móveis e IoT. Embora o PP-YOLOE+ tenha backbones eficientes, a complexidade arquitetónica pode levar a uma maior utilização da memória durante a formação em comparação com o design simplificado do YOLOv5.
• Eficiência de treinamento: YOLOv5 utiliza o AutoAnchor e a evolução do hiperparâmetro para maximizar o desempenho desde o início. A disponibilidade de pesos pré-treinados de alta qualidade permite uma rápida transferência de aprendizagem, reduzindo significativamente o tempo de desenvolvimento.

Casos de Uso no Mundo Real

A escolha entre estes modelos depende frequentemente do ambiente de implantação específico.

PP-YOLOE+ Aplicações

O PP-YOLOE+ é frequentemente utilizado na investigação académica e em cenários industriais, especificamente no mercado asiático, onde a infraestrutura da Baidu é predominante.

• Deteção automatizada de defeitos: A elevada precisão ajuda a identificar riscos mínimos nas linhas de fabrico.
• Vigilância do tráfego: Capaz de distinguir entre tipos de veículos semelhantes num fluxo de tráfego denso.

Aplicações YOLOv5

A versatilidade do YOLOv5 torna-o a solução ideal para um vasto espetro de indústrias globais.

• Agricultura inteligente: Utilizado para a monitorização em tempo real do estado das culturas e para robôs de colheita de fruta devido à sua velocidade em dispositivos de ponta.
• Análise de retalho: Potencia sistemas para contagem de objectos e gestão de inventário, funcionando eficientemente em hardware de servidor de loja.
• Robótica autónoma: A baixa latência permite que drones e robôs naveguem em ambientes complexos com segurança.
• Sistemas de segurança: Integra-se facilmente em sistemas de alarme de segurança para deteção de intrusão.

Conclusão

Enquanto que o PP-YOLOE+ representa um feito significativo na deteção sem âncoras com uma exatidão impressionante em parâmetros de referência como o COCO, Ultralytics YOLOv5 continua a ser a escolha superior para a maioria dos programadores e aplicações comerciais. A sua combinação vencedora de facilidade de utilização, um ecossistema robusto e bem mantido e um excelente equilíbrio de desempenho garantem que os projectos passam do conceito à produção de forma rápida e fiável.

Para os utilizadores que procuram a última palavra em tecnologia de visão por computador, Ultralytics também oferece YOLO11que se baseia no legado do YOLOv5 com eficiência e capacidade ainda maiores em tarefas de deteção, segmentação e estimativa de pose.

Descubra mais

Para explorar alternativas modernas que oferecem caraterísticas de desempenho melhoradas, considere a possibilidade de analisar o seguinte:

• Ultralytics YOLO11: O mais recente modelo de última geração que oferece precisão e velocidade de ponta.
• Ultralytics YOLOv8: Um modelo versátil que introduziu estruturas unificadas para deteção, segmentação e classificação.
• RT-DETR: Um detetor em tempo real baseado em transformador para requisitos de alta precisão.

Visite a nossa página Modelos para ver a gama completa de soluções de IA de visão disponíveis para o seu próximo projeto.

Comentários