PP-YOLOE+ против YOLOv5: подробное техническое сравнение
Выбор правильной модели обнаружения объектов имеет решающее значение для задач компьютерного зрения. На этой странице представлено техническое сравнение PP-YOLOE+ и Ultralytics YOLOv5, двух популярных моделей, известных своей производительностью и эффективностью при обнаружении объектов. Мы рассмотрим их архитектуру, показатели производительности и подходящие приложения, чтобы помочь вам принять обоснованное решение.
PP-YOLOE+
PP-YOLOE+, представленный авторами PaddlePaddle из Baidu 2022-04-02(ссылка на Arxiv), - это одноступенчатый детектор без якоря, известный своей эффективностью и простотой развертывания в экосистеме PaddlePaddle (ссылка на GitHub). Он подчеркивает высокую производительность при упрощенной конфигурации(Docs Link).
Архитектура и ключевые особенности
PP-YOLOE+ опирается на архитектуру YOLO и имеет ряд усовершенствований:
- Безъякорная конструкция: Упрощает процесс обнаружения, устраняя необходимость в якорных ящиках, что позволяет уменьшить настройку гиперпараметров. Откройте для себя безъякорные детекторы.
- Магистраль: Используется основа ResNet с улучшениями для эффективного извлечения признаков.
- Шея: Использует сеть Path Aggregation Network (PAN) для улучшенного объединения признаков в различных масштабах, подобно PANet в YOLOv5.
- Decoupled Head: разделяет головки классификации и регрессии, повышая точность и эффективность обучения.
- Убыток Task Alignment Learning (TAL): выравнивает задачи классификации и локализации для более точного обнаружения. Изучите функции потерь в документах Ultralytics .
Производительность
PP-YOLOE+ разработан для обеспечения баланса между точностью и скоростью. Хотя конкретные показатели варьируются, в целом он считается вычислительно эффективным, что делает его подходящим для приложений реального времени.
Примеры использования
PP-YOLOE+ хорошо подходит для приложений, требующих надежного и эффективного обнаружения объектов, таких как:
- Промышленный контроль качества: Для обнаружения дефектов и контроля качества в производстве. ИИ в производстве преобразует промышленные процессы.
- Автоматизация переработки: Повышение эффективности переработки путем выявления материалов, пригодных для вторичного использования.
- Умная розничная торговля: ИИ для более интеллектуального управления запасами в розничной торговле и анализа поведения покупателей.
Сильные и слабые стороны
- Сильные стороны:
- Безъякорная конструкция упрощает внедрение.
- Высокая точность и эффективные возможности вывода.
- Хорошо документирован и поддерживается в рамках фреймворка PaddlePaddle .
- Слабые стороны:
- Блокировка экосистемы для пользователей, не входящих в среду PaddlePaddle .
- Потенциально меньшее сообщество и меньшее количество ресурсов по сравнению с широко распространенными моделями, такими как YOLOv5.
YOLOv5
Ultralytics YOLOv5, автором которой является Гленн Джочер из Ultralytics и которая была выпущена 2020-06-26(ссылка на GitHub), - это современная модель обнаружения объектов, которая славится своей скоростью, точностью и удобством использования. Она полностью построена на PyTorch и предназначена как для исследований, так и для практического применения(ссылка на Docs).
Архитектура и ключевые особенности
YOLOv5 славится своей обтекаемой и эффективной архитектурой:
- Магистраль: CSPDarknet53, оптимизированный для эффективности извлечения функций.
- Нек: PANet для эффективного создания пирамиды признаков, улучшающей слияние многомасштабных признаков.
- Головка: головка обнаружения с одним слоем свертки для простоты и скорости.
- Дополнение данных: Использует такие сильные методы дополнения данных, как Mosaic и MixUp, для повышения надежности модели. Узнайте о дополнении данных.
- Несколько размеров моделей: Предлагает ряд размеров моделей (n, s, m, l, x) для различных вычислительных потребностей.
Производительность
YOLOv5 славится своим балансом между скоростью и точностью, обеспечивая обнаружение объектов в реальном времени на моделях различных размеров. Он разработан как быстрый и эффективный, что делает его идеальным для развертывания в различных средах. Для получения более подробной информации изучите показатели производительности YOLO .
Примеры использования
Универсальность YOLOv5 позволяет использовать его в самых разных областях:
- Отслеживание объектов в реальном времени: Идеально подходит для систем наблюдения и безопасности, требующих быстрого обнаружения и отслеживания объектов. Обнаружение и отслеживание объектов с помощью Ultralytics YOLOv8 демонстрирует аналогичные приложения.
- Развертывание пограничных устройств: Эффективное развертывание пограничных устройств с помощью YOLOv8 на таких устройствах, как Raspberry Pi и NVIDIA Jetson. См. руководство по быстрому запуску Raspberry Pi и руководство по быстрому запуску NVIDIA Jetson.
- Охрана дикой природы: Используется для защиты биоразнообразия вместе с YOLOv5 для мониторинга животных.
Сильные и слабые стороны
- Сильные стороны:
- Исключительная скорость и производительность в режиме реального времени.
- Гибкое развертывание с помощью моделей разных размеров.
- Большое и активное сообщество с широкой поддержкой. Присоединяйтесь к сообществу Ultralytics .
- Простота в использовании, отличная документация и интеграция с Ultralytics HUB. Документация поUltralytics HUB.
- Слабые стороны:
- Большие модели могут требовать больших вычислительных затрат.
- Метод, основанный на якорях, может потребовать более тщательной настройки для конкретных наборов данных по сравнению с методами без якорей. Узнайте о детекторах, основанных на якорях.
Таблица производительности
Модель | размер (пикселей) |
mAPval 50-95 |
Скорость CPU ONNX (мс) |
Скорость T4TensorRT10 (мс) |
params (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
PP-YOLOE+ и YOLOv5 - это надежные модели обнаружения объектов. PP-YOLOE+ обеспечивает эффективный безъякорный подход, особенно полезный в экосистеме PaddlePaddle . Ultralytics YOLOv5 отлично подходит для приложений реального времени, предлагая оптимизацию скорости и широкий диапазон размеров моделей, поддерживаемых большим сообществом и обширной экосистемой.
Пользователям также может быть интересно изучить другие моделиYOLO от Ultralytics , такие как:
- YOLOv7, известный своей скоростью и эффективностью.
- YOLOv8новейшая модель Ultralytics с самыми современными характеристиками.
- YOLO11новейшая итерация, в которой основное внимание уделяется эффективности и точности.
- YOLOv9, предлагая улучшения в точности и скорости.
Выбор между PP-YOLOE+ и YOLOv5 зависит от потребностей проекта, предпочтений фреймворка и необходимого баланса между скоростью и точностью.