Перейти к содержанию

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:

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.

Узнайте больше о PP-YOLOE+

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:

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.

Узнайте больше о YOLOv5

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.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии