PP-YOLOE+ против YOLOv10: комплексное техническое сравнение

Выбор правильной модели обнаружения объектов - важнейшее решение, влияющее на эффективность, точность и масштабируемость систем компьютерного зрения. В этом подробном сравнении анализируются PP-YOLOE+, усовершенствованный безъякорный детектор из экосистемы PaddlePaddle компании Baidu, и YOLOv10революционный сквозной детектор реального времени от Университета Цинхуа, полностью интегрированный в экосистему Ultralytics .

Эти модели представляют собой два разных подхода к решению проблемы компромисса между скоростью и точностью. Рассмотрев их архитектурные новшества, показатели производительности и идеальные примеры использования, мы дадим вам представление о том, как выбрать лучший инструмент для конкретного приложения.

PP-YOLOE+: Точность в экосистеме PaddlePaddle

PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) - это эволюция архитектуры PP-YOLOE, созданная для обеспечения высокоточных механизмов обнаружения. Разработанная компанией Baidu, она является флагманской моделью в рамках серии PaddlePaddle с упором на оптимизацию для промышленных приложений, где аппаратное окружение заранее определено.

Авторы: PaddlePaddle Authors
Organization:Baidu
Date: 2022-04-02
ArXiv:https://arxiv.org/abs/2203.16250
GitHub:PaddleDetection Repository
Docs:PP-YOLOE+ Documentation

Основные архитектурные особенности

PP-YOLOE+ отличается несколькими структурными усовершенствованиями, направленными на улучшение представления и локализации признаков:

Механизм без якорей: Использует безъякорный подход для снижения сложности настройки гиперпараметров и улучшения обобщения по формам объектов.
CSPRepResNet Backbone: Интегрирует сети Cross Stage Partial (CSP) с RepResNet, предлагая надежные возможности извлечения признаков, которые уравновешивают вычислительную нагрузку и репрезентативную мощность.
Task Alignment Learning (TAL): использует специализированную функцию потерь, которая динамически согласовывает баллы классификации с точностью локализации, обеспечивая наиболее точное обнаружение с высокой степенью достоверности.
Эффективная головка (ET-Head): Усовершенствованная головка обнаружения, которая разделяет задачи классификации и регрессии для минимизации помех и повышения скорости сходимости.

Узнайте больше о PP-YOLOE+

YOLOv10: революция в реальном времени NMS

YOLOv10 представляет собой смену парадигмы в линейке YOLO . Разработанная исследователями из Университета Цинхуа, она устраняет историческое узкое место, связанное с немаксимальным подавлением (NMS), путем введения последовательных двойных назначений для обучения NMS. Это позволяет реализовать настоящее сквозное развертывание со значительным снижением задержки вывода.

Авторы: Ao Wang, Hui Chen, Lihao Liu, et al.
Organization:Tsinghua University
Date: 2024-05-23
ArXiv:https://arxiv.org/abs/2405.14458
GitHub:YOLOv10 Repository
Docs:Ultralytics YOLOv10 Docs

Инновации и интеграция экосистем

YOLOv10 - это не просто архитектурное обновление, это целостный дизайн, ориентированный на эффективность.

ОбучениеNMS: Благодаря двойной стратегии присвоения меток - один ко многим для богатого наблюдения и один к одному для эффективного вывода - YOLOv10 устраняет необходимость в постобработке NMS . Это снижает время задержки вывода и сложность развертывания.
Комплексный дизайн эффективности: Облегченные головки классификации и понижающая дискретизация с развязкой по пространственным каналам позволяют максимально сохранить информацию при минимизации количества операций FLOP.
Интеграция сUltralytics : Являясь частью экосистемы Ultralytics , YOLOv10 получает преимущества простоты использования благодаря унифицированному API Python , что позволяет разработчикам без труда обучать, проверять и развертывать модели.
Эффективность использования памяти: Архитектура оптимизирована для снижения потребления памяти во время обучения, что является значительным преимуществом по сравнению с детекторами на основе трансформаторов или старыми итерациями YOLO .

Узнайте больше о YOLOv10

Анализ технических характеристик

Следующие показатели подчеркивают разницу в производительности между двумя моделями. YOLOv10 неизменно демонстрирует превосходную эффективность, предлагая более высокую точность при меньшем количестве параметров и меньшей задержке.

Модель	размер ^{(пиксели)}	mAP^val 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

YOLOv10n	640	39.5	-	1.56	2.3	6.7
YOLOv10s	640	46.7	-	2.66	7.2	21.6
YOLOv10m	640	51.3	-	5.48	15.4	59.1
YOLOv10b	640	52.7	-	6.54	24.4	92.0
YOLOv10l	640	53.3	-	8.33	29.5	120.3
YOLOv10x	640	54.4	-	12.2	56.9	160.4

Эффективность и скорость Интерпретация

Данные свидетельствуют о явном преимуществе YOLOv10 с точки зрения баланса производительности.

Эффективность использования параметров: YOLOv10l достигает более высокого mAP (53,3%), чем PP-YOLOE+l (52,9%), используя при этом почти вдвое меньше параметров (29,5M против 52,2M). Это делает YOLOv10 значительно легче для хранения и быстрее для загрузки.
Вычислительная нагрузка: количество операций FLOPs в моделях YOLOv10 неизменно ниже для сопоставимых уровней точности, что приводит к снижению энергопотребления - критически важному фактору для пограничных устройств искусственного интеллекта.
Скорость вывода: благодаря конструкции NMS, YOLOv10n достигает сверхнизкой задержки в 1,56 мс на GPU T4, опережая самый маленький вариант PP-YOLOE+.

Преимущество NMS

Традиционные детекторы объектов требуют Non-Maximum SuppressionNMS) для фильтрации перекрывающихся блоков, что часто является медленным и трудно оптимизируемым аппаратным процессом. В YOLOv10 этот шаг полностью исключен, что приводит к постоянному времени вычисления независимо от количества обнаруженных объектов.

Сильные и слабые стороны

YOLOv10: Современный выбор

Преимущества:
- Простота использования: легко интегрируется в экосистему Ultralytics , предлагая стандартизированный API для обучения и развертывания.
- Скорость развертывания: истинная сквозная архитектура устраняет узкие места, связанные с постобработкой.
- Эффективность использования ресурсов: Низкое потребление памяти и меньшее количество параметров делают его идеальным для сред с ограниченными ресурсами, таких как робототехника и мобильные приложения.
- Эффективность обучения: Поддерживает быстрое обучение с помощью легкодоступных предварительно обученных весов и оптимизированных загрузчиков данных.
Слабые стороны:
- Поскольку это новая архитектура, экосистема сторонних учебников быстро растет, но может быть меньше, чем в старых версиях YOLO , таких как YOLOv5 или YOLOv8.

PP-YOLOE+: Специалист по PaddlePaddle

Преимущества:
- Высокая точность: Обеспечивает превосходную точность, особенно в самых больших вариантах моделей (PP-YOLOE+x).
- Оптимизация фреймворка: Высокотехнологичная настройка для пользователей, которые уже глубоко вложились в инфраструктуру PaddlePaddle .
Слабые стороны:
- Замкнутость экосистемы: Первичная поддержка ограничена фреймворком PaddlePaddle , что может стать препятствием для команд, использующих PyTorch или TensorFlow.
- Тяжеловес: Требует значительно больше вычислительных ресурсов (FLOPs и Params), чтобы соответствовать точности более новых моделей YOLO .

Начало работы с YOLOv10

Оцените простоту использования, характерную для моделей Ultralytics . Вы можете загружать и запускать прогнозы с помощью YOLOv10 всего за несколько строк кода на Python :

from ultralytics import YOLO

# Load a pre-trained YOLOv10n model
model = YOLO("yolov10n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Display the results
results[0].show()

Этот простой API позволяет исследователям сосредоточиться на данных и результатах, а не на шаблонном коде.

Заключение

В то время как PP-YOLOE+ остается мощным соперником в своей специфической структуре, YOLOv10 предлагает более привлекательный пакет для более широкого сообщества компьютерного зрения. Архитектурный прорыв в устранении NMS в сочетании с надежностью экосистемы Ultralytics дает разработчикам инструмент, который не только быстрее и легче, но и проще в использовании и обслуживании.

Для тех, кто хочет быть на самом передовом рубеже, мы также рекомендуем посетить YOLO11новейшую флагманскую модель от Ultralytics , которая еще больше расширяет границы универсальности и производительности при выполнении различных задач зрения.

Изучите другие модели

С помощью этих сравнений вы расширите свое представление об особенностях обнаружения объектов:

YOLOv10 против YOLOv9 - сравнение двух последних поколений.
YOLOv10 против RT-DETR - анализ трансформаторов реального времени против CNN.
YOLO11 против YOLOv8 - посмотрите на эволюцию флагманской серии Ultralytics