PP-YOLOE+ против YOLOv7: техническое погружение в архитектуру обнаружения объектов

Выбор оптимальной модели обнаружения объектов предполагает баланс между точностью, скоростью вывода и сложностью развертывания. Двумя значимыми претендентами на это место являются PP-YOLOE+ и YOLOv7выпущенные в 2022 году с целью повышения современной производительности. В этом комплексном анализе рассматриваются их уникальные архитектуры, эталоны и пригодность для использования в реальных приложениях, что помогает разработчикам принимать решения, основанные на данных.

Сравнение показателей производительности

В следующей таблице представлено прямое сравнение ключевых показателей производительности, включая среднюю точность (mAP) и скорость вывода на поддерживаемом оборудовании. Эти данные помогают наглядно продемонстрировать компромиссы между безъякорным подходом PP-YOLOE+ и оптимизированной архитектурой YOLOv7.

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

YOLOv7l	640	51.4	-	6.84	36.9	104.7
YOLOv7x	640	53.1	-	11.57	71.3	189.9

PP-YOLOE+: Усовершенствованное безъякорное обнаружение

PP-YOLOE+ - это эволюция серии YOLO , разработанная исследователями из Baidu. Он опирается на сильные стороны своего предшественника PP-YOLOE, внося усовершенствования в процесс обучения и архитектуру для дальнейшего повышения скорости сходимости и производительности последующих задач. Являясь безъякорным детектором, он устраняет необходимость в предопределенных якорных ящиках, что упрощает конструкцию и уменьшает настройку гиперпараметров.

Авторы: Авторы PaddlePaddle
Организация:Baidu
Дата: 2022-04-02
ArXiv:https://arxiv.org/abs/2203.16250
GitHub:https://github.com/PaddlePaddle/PaddleDetection/
Документы:PaddleDetection README

Узнайте больше о PP-YOLOE+

Архитектурные особенности

Архитектура PP-YOLOE+ включает в себя основу CSPResNet, оснащенную различными рецептивными полями для эффективного захвата признаков в различных масштабах. Ключевым нововведением является эффективная голова с выравниванием задач (ET-head), которая разделяет задачи классификации и регрессии, обеспечивая их выравнивание с помощью специальной функции потерь.

В PP-YOLOE+ используется Task Alignment Learning (TAL)- стратегия присвоения меток, которая динамически выбирает положительные образцы на основе согласования качества классификации и локализации. Благодаря этому модель фокусируется на высококачественных прогнозах во время обучения. Кроме того, модель использует стратегию распределенного обучения и избегает использования нестандартных операторов, что облегчает ее развертывание на различных аппаратных платформах, поддерживаемых экосистемой PaddlePaddle .

Ключевая особенность: Безъякорная конструкция

Удаляя якорные коробки, PP-YOLOE+ снижает сложность, связанную с кластеризацией и сопоставлением якорных блоков. Это часто приводит к лучшему обобщению на различных наборах данных, где объекты могут иметь экстремальные соотношения сторон.

YOLOv7: оптимизирована для работы в режиме реального времени

YOLOv7 Сразу после выхода YOLOv7 установила новую планку для обнаружения объектов в реальном времени, уделяя большое внимание архитектурной эффективности и методам "bag-of-freebies" - техникам, которые повышают точность без увеличения стоимости вывода. Она была разработана, чтобы превзойти предыдущие современные модели, такие как YOLOR и YOLOv5 , как по скорости, так и по точности.

Авторы: Чен-Яо Ванг, Алексей Бочковский и Хонг-Юань Марк Ляо
Организация:Институт информационных наук, Академия Синика, Тайвань
Дата: 06.07.2022
ArXiv:https://arxiv.org/abs/2207.02696
GitHub:https://github.com/WongKinYiu/yolov7
Документация:ДокументацияUltralytics YOLOv7

Узнайте больше о YOLOv7

Архитектурные инновации

В YOLOv7 появилась расширенная эффективная сеть агрегации уровней (E-ELAN). Эта магистраль позволяет сети изучать более разнообразные характеристики, управляя кратчайшим и длинным градиентными путями, повышая способность к обучению без разрушения исходного градиентного пути.

Еще один значительный вклад - использование перепараметризации модели. Во время обучения модель использует многоразветвленную структуру, которая при выводе объединяется в более простую одноразветвленную структуру. Это позволяет YOLOv7 использовать богатые представления признаков в процессе обучения, сохраняя при этом высокую скорость развертывания. Модель также использует вспомогательные головки для обучения глубоких сетей, применяя стратегию присвоения меток "от грубого к тонкому".

Сравнительный анализ: Сильные и слабые стороны

Выбирая между этими двумя мощными моделями, необходимо учитывать конкретные требования вашего проекта по компьютерному зрению.

Точность в сравнении со скоростью

PP-YOLOE+ предлагает гранулированный ассортимент моделей. Сайт PP-YOLOE+s высокоэффективна для краевых устройств, в то время как PP-YOLOE+x достигает высшего уровня mAP, хотя и при более низкой частоте кадров. YOLOv7 отлично справляется с задачей обнаружения в реальном времени, часто обеспечивая более высокую частоту кадров в секунду на GPU для заданного уровня точности по сравнению со многими конкурентами. Для высокопроизводительных приложений, таких как мониторинг трафикаОптимизация выводов в YOLOv7 является преимуществом.

Экосистема и удобство использования

Одно из главных отличий заключается в их экосистемах. PP-YOLOE+ глубоко укоренился во фреймворке PaddlePaddle . Несмотря на свою мощь, он может представлять собой более сложную кривую обучения для команд, привыкших в основном к PyTorch. YOLOv7 является родным для PyTorch, что делает его в целом более доступным для широкого исследовательского сообщества.

Однако обе модели могут быть сложны в обучении и тонкой настройке по сравнению с современными стандартами. YOLOv7 включает в себя сложные расчеты якорей и чувствительности гиперпараметров, а PP-YOLOE+ требует навигации по конфигурациям обнаружения весла.

Преимущество Ultralytics : Зачем обновляться?

Хотя PP-YOLOE+ и YOLOv7 являются отличными моделями, область искусственного интеллекта быстро развивается. Ultralytics модели, такие как YOLOv8 и современная модель YOLO11представляют собой следующее поколение зрительного ИИ, решая многие проблемы, связанные с удобством использования и эффективностью предыдущих архитектур.

Превосходный пользовательский опыт и экосистема

Ultralytics ставит во главу угла простоту использования. В отличие от сложных конфигурационных файлов, часто требуемых другими фреймворками, модели Ultralytics могут быть обучены, проверены и развернуты с помощью всего нескольких строк кода Python или простых команд CLI .

Унифицированный API: Легко переключайтесь между такими задачами, как обнаружение объектов, сегментация экземпляров, классификация, оценка позы и OBB.
Хорошо поддерживаемая экосистема: Воспользуйтесь преимуществами частых обновлений, процветающего сообщества и обширной документации, которая помогает быстро решать проблемы.
Интеграция: Встроенная поддержка отслеживания экспериментов (MLflow, Comet), управление наборами данных и упрощенный экспорт моделей в такие форматы, как ONNX, TensorRT и CoreML.

Производительность и эффективность

Модели Ultralytics разработаны для оптимального баланса производительности. Они часто достигают более высокой точности, чем YOLOv7 , при меньших вычислительных затратах. Кроме того, они разработаны для экономии памяти и требуют меньше CUDA памяти во время обучения по сравнению со многими альтернативами на основе трансформаторов или старыми версиями YOLO . Такая эффективность обучения позволяет ускорить итерации и снизить затраты на облачные вычисления.

Пример кода: Простота в действии

Оцените, насколько проще обучать современную модель Ultralytics по сравнению с устаревшими рабочими процессами:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model (recommended for best performance)
model = YOLO("yolo11n.pt")

# Train the model on a dataset (e.g., COCO8)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

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

# Export to ONNX format for deployment
model.export(format="onnx")

Защита проектов на будущее

Использование фреймворка Ultralytics гарантирует, что вы используете не просто модель, а развивающуюся платформу. Благодаря поддержке последних версий Python и аппаратных ускорителей, вы сокращаете технический долг и обеспечиваете долгосрочное сопровождение своих ИИ-решений.

Заключение

PP-YOLOE+ остается сильным выбором для тех, кто инвестирует в экосистему PaddlePaddle , предлагая надежную безъякорную архитектуру. YOLOv7 по-прежнему является грозным вариантом для проектов, требующих высокой производительности GPU . Однако для разработчиков, которые ищут универсальное, удобное и высокопроизводительное решение, охватывающее весь спектр задач компьютерного зрения, Ultralytics YOLO11 является рекомендуемым решением.

Изучите другие модели

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