Перейти к содержанию

PP-YOLOE+ vs YOLOv5: подробное техническое сравнение

Выбор подходящей модели обнаружения объектов — это критически важное решение, которое уравновешивает точность, скорость и простоту реализации. На этой странице представлено подробное техническое сравнение PP-YOLOE+, эффективной модели от Baidu, и Ultralytics YOLOv5, широко используемой и проверенной в отрасли модели. Мы рассмотрим их архитектуры, показатели производительности и идеальные варианты использования, чтобы помочь вам сделать осознанный выбор для ваших проектов в области компьютерного зрения.

PP-YOLOE+: Высокая точность в экосистеме PaddlePaddle

PP-YOLOE+ — это одноэтапный детектор без anchor boxes, разработанный Baidu. Выпущенный в 2022 году, он основан на модели PP-YOLOE с акцентом на достижение превосходного баланса между точностью и скоростью, особенно в рамках платформы глубокого обучения PaddlePaddle.

Технические детали:

Архитектура и ключевые особенности

PP-YOLOE+ представляет несколько архитектурных улучшений для повышения производительности:

  • Anchor-Free Design: Отказ от предопределенных anchor boxes упрощает конвейер обнаружения PP-YOLOE+ и уменьшает количество гиперпараметров, требующих настройки.
  • Эффективный бэкбон и шейка: Использует эффективный бэкбон, такой как CSPRepResNet, и Path Aggregation Network (PAN) для эффективного объединения признаков в разных масштабах.
  • Decoupled Head (Разделенная голова): Модель использует разделенную голову (ET-Head), которая разделяет задачи классификации и регрессии, что часто приводит к повышению точности.
  • Продвинутая функция потерь: Она использует Task Alignment Learning (TAL) и VariFocal Loss для лучшего согласования оценок классификации и точности локализации, что приводит к более точным обнаружениям. Вы можете изучить другие функции потерь в документации Ultralytics.

Сильные и слабые стороны

  • Сильные стороны:
    • Высокий потенциал точности, часто превосходящий другие модели по mAP на эталонных наборах данных.
    • Высокая скорость инференса, особенно при оптимизации с помощью TensorRT на GPU.
    • Подход без anchor может упростить конвейер обучения в определенных сценариях.
  • Слабые стороны:
    • Зависимость от экосистемы: В первую очередь разработана и оптимизирована для фреймворка PaddlePaddle, что может создать значительный барьер для разработчиков, привыкших к PyTorch или другим экосистемам.
    • Меньшее сообщество: Сообщество и доступные ресурсы менее обширны по сравнению с огромной экосистемой, окружающей модели Ultralytics YOLO.
    • Сложность: Интеграция в рабочие процессы, отличные от PaddlePaddle, может быть сложной и трудоемкой.

Случаи использования

PP-YOLOE+ — отличный выбор для приложений, где достижение максимально возможной точности является приоритетом, особенно для команд, уже работающих в экосистеме PaddlePaddle.

  • Контроль качества в промышленности: Его высокая точность полезна для обнаружения незначительных дефектов в производстве.
  • Умная розничная торговля: Может использоваться для точного управления запасами и аналитики клиентов.
  • Исследования: Ценная модель для исследователей, изучающих архитектуры без привязки к anchor boxes и передовые функции потерь.

Узнайте больше о PP-YOLOE+

Ultralytics YOLOv5: Устоявшийся отраслевой стандарт

Ultralytics YOLOv5, выпущенный в 2020 году Гленном Джохером, быстро стал отраслевым эталоном благодаря исключительному сочетанию скорости, точности и удобства для разработчиков. Построенный на PyTorch, он известен своим простым процессом обучения и развертывания, что делает его доступным как для новичков, так и для экспертов.

Технические детали:

Архитектура и ключевые особенности

Архитектура YOLOv5 высоко оптимизирована для эффективности и производительности:

  • Backbone: Использует backbone CSPDarknet53, который эффективно балансирует вычислительную нагрузку и возможности извлечения признаков.
  • Neck: Агрегатор признаков PANet повышает способность модели обнаруживать объекты в различных масштабах.
  • Head: Использует голову обнаружения на основе anchor boxes, которая является надежной и доказала свою эффективность в широком спектре задач обнаружения объектов.
  • Масштабируемость: YOLOv5 доступен в различных размерах (n, s, m, l, x), что позволяет разработчикам выбирать идеальный компромисс между скоростью и точностью для своих конкретных нужд, от легких периферийных устройств до мощных облачных серверов.

Сильные и слабые стороны

  • Сильные стороны:
    • Простота использования: YOLOv5 известна своим удобным пользовательским интерфейсом, простым Python API, простым в использовании CLI и обширной документацией.
    • Хорошо поддерживаемая экосистема: Он поддерживается всесторонней экосистемой Ultralytics, которая включает активную разработку, большое и полезное сообщество, частые обновления и инструменты, такие как Ultralytics HUB для обучения и развертывания без кода.
    • Баланс производительности: Он предлагает выдающийся баланс между скоростью вывода и точностью, что делает его идеальным для приложений реального времени.
    • Эффективность обучения: YOLOv5 отличается эффективным процессом обучения с легкодоступными предварительно обученными весами, что обеспечивает более быструю сходимость и сокращает время разработки.
    • Универсальность: Помимо обнаружения объектов, YOLOv5 также поддерживает сегментацию экземпляров и классификацию изображений, предоставляя гибкое решение для множества задач компьютерного зрения.
  • Слабые стороны:
    • Несмотря на высокую точность, самые большие модели PP-YOLOE+ могут достигать несколько более высокого mAP на определенных тестах.
    • Его подход, основанный на привязках, может потребовать некоторой настройки для наборов данных с нестандартными пропорциями объектов.

Случаи использования

Благодаря своей скорости, эффективности и простоте развертывания, YOLOv5 является отличным выбором для широкого спектра применений:

  • Видеоаналитика в реальном времени: Идеально подходит для систем безопасности, мониторинга трафика и видеонаблюдения.
  • Развертывание на периферийных устройствах: Модели меньшего размера (YOLOv5n, YOLOv5s) в высшей степени оптимизированы для устройств с ограниченными ресурсами, таких как Raspberry Pi и NVIDIA Jetson.
  • Промышленная автоматизация: Широко используется для контроля качества, обнаружения дефектов и робототехники в автоматизированных средах.

Узнайте больше о YOLOv5

Анализ производительности: PP-YOLOE+ в сравнении с YOLOv5

Производительность PP-YOLOE+ и YOLOv5 подчеркивает их различные философии проектирования. Модели PP-YOLOE+ обычно достигают более высоких показателей mAP, демонстрируя свою силу в точности. Например, PP-YOLOE+l достигает 52.9 mAP, превосходя 49.0 mAP у YOLOv5l. Однако эта точность достигается ценой.

YOLOv5, с другой стороны, является явным лидером в скорости и эффективности инференса. Его небольшие модели исключительно быстры, что делает их идеальными для приложений реального времени как на CPU, так и на GPU. Таблица ниже показывает, что, хотя PP-YOLOE+ очень быстр на GPU с TensorRT, YOLOv5 предоставляет более доступное и часто более быстрое решение, особенно для разработчиков, которым необходимо развертывание на различном оборудовании без обширной оптимизации.

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
YOLOv5n 640 28.0 73.6 1.12 2.6 7.7
YOLOv5s 640 37.4 120.7 1.92 9.1 24.0
YOLOv5m 640 45.4 233.9 4.03 25.1 64.2
YOLOv5l 640 49.0 408.4 6.61 53.2 135.0
YOLOv5x 640 50.7 763.2 11.89 97.2 246.4

Заключение: какую модель вам следует выбрать?

Выбор между PP-YOLOE+ и YOLOv5 во многом зависит от приоритетов вашего проекта и существующего технического стека.

  • PP-YOLOE+ — отличный вариант, если ваша основная цель — максимизировать точность обнаружения и вы уже работаете или готовы принять экосистему Baidu PaddlePaddle. Его современный дизайн без anchor boxes и передовые функции потерь расширяют границы производительности.

  • Ultralytics YOLOv5 — это рекомендуемый выбор для подавляющего большинства разработчиков и приложений. Ее непревзойденная простота использования, исключительный баланс производительности и невероятная гибкость развертывания делают ее более практичным и эффективным решением. Надежная и хорошо поддерживаемая экосистема Ultralytics обеспечивает беспрецедентную поддержку, от обучения до производства, обеспечивая более плавный и быстрый цикл разработки. Для проектов, требующих скорости в реальном времени, простой реализации и сильной поддержки сообщества, YOLOv5 остается лучшим выбором.

Изучите другие модели

Несмотря на то, что YOLOv5 является мощной и зрелой моделью, Ultralytics продолжает внедрять инновации. Для тех, кто ищет последние достижения, стоит изучить новые модели, такие как YOLOv8, YOLOv10 и современную YOLO11. Эти модели развивают сильные стороны YOLOv5, предлагая еще более высокую производительность и больше возможностей. Для получения более подробного анализа посетите страницу сравнения моделей Ultralytics model comparison page.



📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии