Saltar para o conteúdo

YOLOv9 vs PP-YOLOE+: Comparação técnica pormenorizada

A seleção do modelo de deteção de objectos correto é crucial para as tarefas de visão por computador. Esta página fornece uma comparação técnica entre o YOLOv9 e o PP-YOLOE+, examinando as suas arquitecturas, desempenho e aplicações para orientar a sua escolha.

YOLOv9: Informação de gradiente programável

O YOLOv9, lançado em 2024, representa um avanço significativo na série YOLO , centrando-se na preservação da informação através de novos designs arquitectónicos.

  • Arquitetura: YOLOv9 é da autoria de Chien-Yao Wang e Hong-Yuan Mark Liao do Instituto de Ciência da Informação, Academia Sinica, Taiwan. Introduz a Informação de Gradiente Programável (PGI) e a Rede de Agregação de Camada Eficiente Generalizada (GELAN). A PGI trata da perda de informação durante a propagação da rede profunda, enquanto a GELAN optimiza a eficiência da rede. Esta combinação inovadora tem como objetivo melhorar a precisão sem aumentar significativamente o custo computacional. O artigo original está disponível no arXiv. O repositório oficial do GitHub fornece pormenores de implementação.
  • Desempenho: O YOLOv9 atinge um desempenho de ponta com um equilíbrio entre velocidade e precisão. Conforme indicado no gráfico e na tabela de comparação, os modelos YOLOv9 demonstram altos valores de mAP enquanto mantêm velocidades de inferência competitivas. Por exemplo, o YOLOv9c atinge 53,0% de mAPval50-95.
  • Casos de uso: A eficiência e precisão melhoradas do YOLOv9 tornam-no adequado para uma vasta gama de aplicações, incluindo robótica, condução autónoma e sistemas de segurança em que o elevado desempenho de deteção é fundamental com recursos computacionais limitados.

Saiba mais sobre o YOLOv9

PP-YOLOE+: Deteção melhorada sem âncora

O PP-YOLOE+, desenvolvido pela PaddlePaddle e detalhado na sua estrutura PaddleDetection, é uma evolução da série PP-YOLOE, conhecida pela sua abordagem sem âncoras e pela sua eficiência.

  • Arquitetura: O PP-YOLOE+ baseia-se no paradigma de deteção sem âncoras, simplificando o modelo e reduzindo a necessidade de hiperparâmetros relacionados com âncoras. Inclui normalmente melhorias em relação ao PP-YOLOE de base no design da espinha dorsal, do pescoço e da cabeça de deteção, incorporando frequentemente técnicas como cabeças desacopladas e Perda VariFocal para refinar a precisão da deteção. A documentação e a implementação estão disponíveis no GitHub do PaddleDetection.
  • Desempenho: Os modelos PP-YOLOE+ foram concebidos para oferecer um forte equilíbrio entre precisão e velocidade de inferência. Como se pode ver na tabela de comparação, os modelos PP-YOLOE+ como o PP-YOLOE+m e o PP-YOLOE+l fornecem pontuações mAP competitivas e tempos de inferência eficientes, tornando-os versáteis para várias aplicações.
  • Casos de utilização: O design sem âncoras do PP-YOLOE+ e as caraterísticas de desempenho equilibradas tornam-no adequado para aplicações como a inspeção da qualidade industrial, o retalho inteligente e a monitorização ambiental, onde é necessária uma deteção de objectos robusta e eficiente.

Documentação PP-YOLOE+ (PaddleDetection)

Modelo tamanho
(pixéis)
mAPval
50-95
Velocidade
CPU ONNX
(ms)
Velocidade
T4TensorRT10
(ms)
params
(M)
FLOPs
(B)
YOLOv9t 640 38.3 - 2.3 2.0 7.7
YOLOv9s 640 46.8 - 3.54 7.1 26.4
YOLOv9m 640 51.4 - 6.43 20.0 76.3
YOLOv9c 640 53.0 - 7.16 25.3 102.1
YOLOv9e 640 55.6 - 16.77 57.3 189.0
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

Para os utilizadores interessados noutros modelos de deteção de objectos de elevado desempenho, Ultralytics também oferece YOLOv5, o YOLOv7, YOLOv8 e o inovador YOLO11, cada um com pontos fortes e optimizações únicas. Explore a documentação do nosso modelo para mais comparações e detalhes.

📅C riado há 1 ano ✏️ Atualizado há 1 mês

Comentários