Перейти к содержанию

PP-YOLOE+ vs YOLOv10: техническое сравнение

Выбор оптимальной модели обнаружения объектов — это критически важное решение, которое балансирует точность, скорость и вычислительные ресурсы для любого проекта компьютерного зрения. На этой странице представлено подробное техническое сравнение PP-YOLOE+, разработанной Baidu, и YOLOv10, современной модели от Университета Цинхуа, которая полностью интегрирована в экосистему Ultralytics. Мы проанализируем их архитектуры, показатели производительности и идеальные варианты использования, чтобы помочь вам сделать осознанный выбор.

PP-YOLOE+: Высокая точность в экосистеме PaddlePaddle

PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) — это одноэтапная модель обнаружения объектов без привязки к anchor boxes из фреймворка PaddleDetection компании Baidu. Представленная в 2022 году, она в первую очередь ориентирована на обеспечение высокой точности при сохранении эффективности, особенно для пользователей в среде глубокого обучения PaddlePaddle.

Авторы: Авторы PaddlePaddle
Организация: Baidu
Дата: 2022-04-02
ArXiv: https://arxiv.org/abs/2203.16250
GitHub: https://github.com/PaddlePaddle/PaddleDetection/
Документация: https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md

Архитектура и ключевые особенности

PP-YOLOE+ улучшает стандартную архитектуру YOLO с помощью нескольких ключевых модификаций для повышения производительности.

  • Дизайн без привязки к якорям (Anchor-Free Design): Отказываясь от предопределенных ограничивающих рамок (anchor boxes), PP-YOLOE+ упрощает конвейер обнаружения и снижает сложность настройки гиперпараметров. Этот подход является распространенным во многих современных детекторах без привязки к якорям (anchor-free detectors).
  • Эффективные компоненты: Он использует ResNet backbone и Path Aggregation Network (PAN) neck для эффективного объединения признаков, что является проверенным сочетанием для балансировки скорости и точности.
  • Decoupled Head (Разделенная голова): Модель разделяет задачи классификации и регрессии в голове обнаружения, что, как известно, повышает точность обнаружения за счет предотвращения интерференции задач.
  • Обучение выравниванию задач (TAL): Использует специализированную функцию потерь, предназначенную для лучшего выравнивания задач классификации и локализации, что приводит к более точным прогнозам.

Сильные и слабые стороны

PP-YOLOE+ демонстрирует высокую производительность, но имеет определенные компромиссы.

  • Преимущества: Модель может достигать очень высокой точности, особенно с ее более крупными вариантами. Ее anchor-free дизайн эффективен, и она хорошо оптимизирована для пользователей, уже инвестировавших в фреймворк PaddlePaddle.
  • Недостатки: Ее основной недостаток — тесная связь с экосистемой PaddlePaddle. Это может создать крутую кривую обучения и проблемы с интеграцией для разработчиков, работающих с более распространенными фреймворками, такими как PyTorch. Кроме того, поддержка сообщества и доступные ресурсы могут быть менее обширными по сравнению с моделями в экосистеме Ultralytics.

Случаи использования

PP-YOLOE+ хорошо подходит для приложений, где высокая точность является приоритетом, и среда разработки основана на PaddlePaddle.

Узнайте больше о PP-YOLOE+

YOLOv10: Сквозная эффективность в реальном времени

Ultralytics YOLOv10 — это последняя эволюция в серии YOLO, разработанная исследователями из Университета Цинхуа. Выпущенная в мае 2024 года, она представляет собой новаторские архитектурные изменения для достижения истинного сквозного обнаружения объектов в реальном времени за счет устранения узких мест постобработки и оптимизации модели для превосходной эффективности.

Авторы: Ао Ванг, Хуэй Чен, Лихао Лю и др.
Организация: Университет Цинхуа
Дата: 2024-05-23
ArXiv: https://arxiv.org/abs/2405.14458
GitHub: https://github.com/THU-MIG/yolov10
Документация: https://docs.ultralytics.com/models/yolov10/

Архитектура и ключевые особенности

Философия разработки YOLOv10 основана на целостной эффективности и производительности, что делает ее отличным выбором для широкого спектра приложений.

  • Обучение без NMS: Наиболее значительным нововведением YOLOv10 является использование согласованных двойных назначений во время обучения. Это устраняет необходимость в Non-Maximum Suppression (NMS) во время постобработки, что значительно снижает задержку при выводе и упрощает конвейер развертывания.
  • Комплексный подход к эффективности и точности: Модель отличается комплексной оптимизацией backbone, neck и head. Инновации, такие как облегченная классификационная голова и пространственно-канальная разделенная дискретизация, снижают вычислительные затраты, сохраняя при этом богатую информацию о признаках.
  • Превосходная эффективность и масштабируемость: YOLOv10 предлагает широкий спектр масштабируемых моделей, от Nano (N) до Extra-large (X). Эти модели стабильно превосходят конкурентов, обеспечивая более высокую точность с меньшим количеством параметров и более низкой вычислительной стоимостью (FLOPs).
  • Преимущество экосистемы Ultralytics: YOLOv10 легко интегрируется в экосистему Ultralytics. Это предоставляет пользователям беспрецедентный опыт, характеризующийся простотой использования благодаря простому Python API и CLI, обширной документации, эффективному обучению с легкодоступными предварительно обученными весами и более низким требованиям к памяти. Модель поддерживается надежным сообществом и активной разработкой через Ultralytics HUB.

Сильные и слабые стороны

YOLOv10 устанавливает новый стандарт для детекторов объектов в реальном времени.

  • Преимущества: Современная скорость и точность, действительно сквозной NMS-free дизайн, исключительная вычислительная эффективность и отличная масштабируемость. Ее интеграция в хорошо поддерживаемую экосистему Ultralytics делает ее невероятно простой в обучении, развертывании и обслуживании.
  • Недостатки: Будучи более новой моделью, сообщество и сторонние инструменты все еще развиваются по сравнению с давно зарекомендовавшими себя моделями, такими как YOLOv8.

Случаи использования

Благодаря своей эффективности и сквозной конструкции, YOLOv10 является идеальным выбором для приложений, где скорость и ограниченность ресурсов имеют решающее значение.

Узнайте больше о YOLOv10

Анализ производительности: PP-YOLOE+ в сравнении с YOLOv10

Эталонные тесты производительности наглядно демонстрируют преимущества современной архитектуры YOLOv10. Хотя PP-YOLOE+x достигает наивысшего mAP с небольшим отрывом, YOLOv10 стабильно обеспечивает лучший баланс скорости, точности и эффективности для всех размеров моделей.

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
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

Например, YOLOv10m достигает более высокого mAP, чем PP-YOLOE+m, при этом являясь более быстрой и имея значительно меньше параметров (15,4M против 23,43M). Аналогично, YOLOv10l превосходит PP-YOLOE+l по точности, имея почти вдвое меньше параметров. Даже в самом высоком сегменте YOLOv10x гораздо эффективнее, чем PP-YOLOE+x, предлагая сопоставимую точность с гораздо меньшей задержкой и вычислительными требованиями.

Заключение: какую модель вам следует выбрать?

Хотя PP-YOLOE+ является мощной моделью для пользователей, приверженных фреймворку PaddlePaddle, YOLOv10 является явной рекомендацией для подавляющего большинства разработчиков и исследователей.

Превосходная эффективность, инновационная архитектура без NMS и современная производительность YOLOv10 делают ее более универсальным и перспективным выбором. Ее полная интеграция в экосистему Ultralytics устраняет барьеры для входа, предоставляя простое в использовании, хорошо поддерживаемое и высокопроизводительное решение для широкого спектра реальных приложений, от периферийных устройств до высокопроизводительных облачных серверов.

Изучите другие модели

Если вы изучаете другие варианты, рассмотрите возможность ознакомления с другими современными моделями в экосистеме Ultralytics. Вы можете найти подробные сравнения, такие как YOLOv10 vs. YOLOv9 и YOLOv10 vs. YOLOv8. Для тех, кто следит за последними разработками, ознакомьтесь с новой Ultralytics YOLO11.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии