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.
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.
