Перейти к содержанию

PP-YOLOE+ vs YOLO11: техническое сравнение для обнаружения объектов

Выбор оптимальной модели обнаружения объектов — это критически важное решение, которое балансирует между точностью, скоростью и ограничениями развертывания. На этой странице представлено подробное техническое сравнение PP-YOLOE+, мощной модели из экосистемы PaddlePaddle от Baidu, и Ultralytics YOLO11, новейшей современной модели от Ultralytics. Хотя обе модели демонстрируют высокую производительность, YOLO11 выделяется своей превосходной эффективностью, универсальностью и удобной экосистемой, что делает ее рекомендуемым выбором для широкого спектра современных приложений компьютерного зрения.

PP-YOLOE+: Высокая точность в экосистеме PaddlePaddle

PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) — это модель обнаружения объектов, разработанная Baidu в рамках их пакета PaddleDetection. Выпущенная в 2022 году, она фокусируется на достижении высокой точности при сохранении разумной эффективности, особенно в рамках платформы глубокого обучения PaddlePaddle.

Технические детали:

Архитектура и ключевые особенности

PP-YOLOE+ — это детектор без anchor boxes, одноэтапный детектор, который основан на архитектуре YOLO с несколькими ключевыми улучшениями. Его конструкция направлена на улучшение компромисса между скоростью и точностью.

  • Дизайн без Anchor: Устраняя предопределенные anchor boxes, модель упрощает конвейер обнаружения и снижает сложность настройки гиперпараметров.
  • Эффективные компоненты: Архитектура часто использует backbones, такие как CSPRepResNet, и Path Aggregation Network (PAN) neck для эффективного объединения признаков.
  • Обучение выравниванию задач (TAL): Использует специализированную функцию потерь и стратегию назначения меток для лучшего выравнивания задач классификации и локализации, что помогает повысить общую точность обнаружения.
  • Интеграция PaddlePaddle: Модель глубоко интегрирована и оптимизирована для фреймворка PaddlePaddle, что делает ее естественным выбором для разработчиков, уже работающих в этой экосистеме.

Сильные и слабые стороны

Преимущества:

  • Высокая точность: Модели PP-YOLOE+, особенно более крупные варианты, достигают конкурентоспособных показателей mAP на стандартных эталонных наборах данных, таких как набор данных COCO.
  • Эффективная структура без привязки к якорям: Конструкция головки обнаружения оптимизирована для эффективности.

Слабые стороны:

  • Зависимость от фреймворка: Основная оптимизация для PaddlePaddle может быть ограничением для большого сообщества разработчиков, использующих PyTorch, что требует преобразования фреймворка и потенциально приводит к потере оптимизации производительности.
  • Более высокое использование ресурсов: Как показано в таблице производительности, модели PP-YOLOE+ обычно имеют большее количество параметров и больше FLOPs по сравнению с моделями YOLO11 при аналогичных уровнях точности, что приводит к большим вычислительным затратам.
  • Ограниченная универсальность: PP-YOLOE+ в основном ориентирован на обнаружение объектов, тогда как другие современные фреймворки предлагают встроенную поддержку для более широкого спектра задач компьютерного зрения.

Узнайте больше о PP-YOLOE+

Ultralytics YOLO11: Современная производительность и универсальность

Ultralytics YOLO11 — это последняя эволюция в серии YOLO, разработанная Гленном Джохером и Цзин Цю в Ultralytics. Выпущенный в 2024 году, он устанавливает новый стандарт для обнаружения объектов в реальном времени, обеспечивая исключительный баланс скорости, точности и эффективности. Он разработан с нуля, чтобы быть универсальным, простым в использовании и развертываемым на широком спектре оборудования.

Технические детали:

Архитектура и ключевые особенности

YOLO11 опирается на успешную основу своих предшественников, таких как YOLOv8, с усовершенствованной архитектурой, которая повышает извлечение признаков и скорость обработки.

  • Оптимизированная архитектура: YOLO11 имеет оптимизированную структуру сети, которая обеспечивает более высокую точность при значительно меньшем количестве параметров и меньшем количестве операций с плавающей запятой, чем у конкурентов, таких как PP-YOLOE+. Эта эффективность имеет решающее значение для вывода в реальном времени и развертывания на периферийных устройствах с ограниченными ресурсами.
  • Универсальность: Ключевым преимуществом YOLO11 является его встроенная поддержка нескольких задач компьютерного зрения в рамках единого унифицированного фреймворка. Это включает в себя обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).
  • Простота использования: YOLO11 является частью хорошо поддерживаемой экосистемы Ultralytics, которая уделяет первостепенное внимание удобству использования. Она предлагает простой Python API и CLI, исчерпывающую документацию и легкодоступные предварительно обученные веса.
  • Эффективность обучения: Модель разработана для более быстрого времени обучения и требует меньше памяти, что делает современный ИИ более доступным для разработчиков и исследователей. Это контрастирует с другими типами моделей, такими как трансформеры, которые часто медленнее в обучении и требуют больше вычислительных ресурсов.
  • Активная экосистема: Пользователи получают выгоду от активной разработки, сильной поддержки сообщества через GitHub и Discord, а также бесшовной интеграции с такими инструментами, как Ultralytics HUB для комплексного MLOps.

Сильные и слабые стороны

Преимущества:

  • Превосходный баланс производительности: Предлагает отличный компромисс между скоростью и точностью для всех размеров моделей.
  • Вычислительная эффективность: Меньшее количество параметров и FLOPs приводит к более быстрому инференсу и снижению требований к аппаратному обеспечению.
  • Поддержка нескольких задач: Непревзойденная универсальность со встроенной поддержкой пяти основных задач компьютерного зрения.
  • Удобная экосистема: Легкость установки, обучения и развертывания, подкрепленная обширными ресурсами и сильным сообществом.
  • Deployment Flexibility (Гибкость развертывания): Оптимизировано для широкого спектра оборудования, от Raspberry Pi до облачных серверов.

Слабые стороны:

  • Как одностадийный детектор, он может столкнуться с проблемами при работе с очень маленькими объектами по сравнению с некоторыми специализированными двухстадийными детекторами.
  • Самые большие модели (например, YOLO11x) по-прежнему требуют значительной вычислительной мощности для работы в реальном времени, хотя и меньше, чем сопоставимые модели конкурентов.

Узнайте больше о YOLO11

Анализ производительности: PP-YOLOE+ в сравнении с YOLO11

Эталонные тесты производительности на наборе данных COCO наглядно демонстрируют преимущества YOLO11.

Модель размер
(пиксели)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4 TensorRT10
(мс)		 параметры
(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
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9
  • Точность и эффективность: В топовом сегменте YOLO11x соответствует 54,7 mAP у PP-YOLOE+x, но при этом использует только 58% параметров (56,9M против 98,42M) и меньшее количество FLOPs. Эта тенденция сохраняется и в меньших масштабах; например, YOLO11l превосходит PP-YOLOE+l по точности (53,4 против 52,9 mAP), используя менее половины параметров.
  • Скорость инференса: Модели YOLO11 стабильно демонстрируют более высокую скорость инференса на GPU. Например, YOLO11l более чем на 25% быстрее, чем PP-YOLOE+l на T4 GPU, а YOLO11x более чем на 20% быстрее, чем PP-YOLOE+x. Это преимущество в скорости имеет решающее значение для приложений, требующих обработки в реальном времени, таких как автономные транспортные средства и робототехника.
  • Масштабируемость: YOLO11 обеспечивает гораздо более эффективную кривую масштабирования. Разработчики могут достичь высокой точности без огромных вычислительных затрат, связанных с более крупными моделями PP-YOLOE+, что делает передовой ИИ более доступным.

Заключение и рекомендации

Хотя PP-YOLOE+ является эффективным детектором объектов, его сильные стороны наиболее заметны для пользователей, уже работающих в экосистеме Baidu PaddlePaddle.

Для подавляющего большинства разработчиков, исследователей и предприятий Ultralytics YOLO11 — это очевидный и превосходящий выбор. Он предлагает современное сочетание точности и эффективности, значительно снижая вычислительные затраты и позволяя развертывание на более широком спектре оборудования. Его непревзойденная универсальность в пяти различных задачах компьютерного зрения в сочетании с простой в использовании и хорошо поддерживаемой экосистемой позволяет пользователям создавать более сложные и мощные решения на основе искусственного интеллекта с меньшими усилиями.

Независимо от того, разрабатываете ли вы для периферии или облака, YOLO11 обеспечивает производительность, гибкость и доступность, необходимые для расширения границ возможного в компьютерном зрении.

Другие модели для рассмотрения

Если вы изучаете другие архитектуры, вам также могут быть интересны сравнения с такими моделями, как YOLOv10, YOLOv9 и RT-DETR, которые также поддерживаются в рамках Ultralytics.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
glenn-jocher

Комментарии