Перейти к содержанию

Сравнение моделей: YOLO11 против PP-YOLOE+ для обнаружения объектов

Выбор правильной модели обнаружения объектов имеет решающее значение для проектов в области компьютерного зрения. Ultralytics YOLO11 и PP-YOLOE+ - это самые современные модели, каждая из которых обладает уникальными преимуществами, удовлетворяющими различные потребности приложений. На этой странице представлено подробное техническое сравнение, которое поможет принять обоснованное решение между этими мощными моделями.

Ultralytics YOLO11

Ultralytics YOLO11 - это последняя итерация серии YOLO , разработанная компанией Ultralytics. Известный своими возможностями обнаружения объектов в режиме реального времени, YOLO11 развивает предыдущие версии, повышая скорость и точность. В ней сохраняется одноэтапная парадигма обнаружения, приоритет отдается эффективным выводам без ущерба для точности.

Архитектура и ключевые особенности

YOLO11 имеет оптимизированную архитектуру, оптимизированную для быстрого вывода. В ней реализованы достижения в области топологии сети и методов обучения, что позволяет достичь баланса между количеством параметров и производительностью. Ключевые архитектурные особенности включают:

  • Эффективная магистраль: Использует высокоэффективную магистральную сеть для быстрого извлечения признаков.
  • Безъякорное обнаружение: Работает без якорных блоков, упрощая процесс обнаружения и улучшая адаптацию к различным масштабам объектов, подобно YOLOv8.
  • Масштабируемые размеры моделей: Предлагает ряд размеров моделей (n, s, m, l, x) для различных вычислительных ресурсов, от граничных устройств до высокопроизводительных серверов, обеспечивая универсальность развертывания.

Показатели производительности

YOLO11 отлично справляется с балансом между скоростью и точностью, что делает его подходящим для приложений реального времени. Он демонстрирует современную среднюю точность (mAP) на таких наборах данных, как COCO, сохраняя при этом впечатляющую скорость вычислений. Различные размеры моделей обеспечивают различный компромисс между скоростью и точностью, как показано в сравнительной таблице ниже.

Узнайте больше о YOLO11

Примеры использования и сильные стороны

YOLO11 идеально подходит для задач, требующих сочетания скорости и высокой точности:

Авторство и дата:

PP-YOLOE+

PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) разработан компанией Baidu в рамках зоопарка моделей PaddleDetection. Он ориентирован на достижение высокой точности обнаружения объектов при сохранении разумной эффективности. PP-YOLOE+ - это усовершенствованная версия PP-YOLOE, включающая архитектурные усовершенствования для повышения производительности.

Архитектура и ключевые особенности

PP-YOLOE+ - это одноэтапная модель обнаружения объектов без привязки. Она упрощает процесс обнаружения, напрямую предсказывая центры объектов и параметры ограничительного поля. Ключевые особенности включают:

  • Безъякорная конструкция: Упрощает архитектуру модели и обучение, позволяя избежать сложностей, связанных с якорными ящиками.
  • Эффективная архитектура: Использует основу ResNet и фокусируется на методах оптимизации для снижения вычислительных затрат при сохранении конкурентоспособной точности.
  • Интеграция с экосистемойPaddlePaddle : Оптимизирована для бесшовной интеграции и развертывания в рамках PaddlePaddle , используя преимущества ее экосистемы.

Показатели производительности

Модели PP-YOLOE+ предлагают ряд конфигураций (t, s, m, l, x) для баланса точности и скорости. Несмотря на то, что подробные показатели скорости CPU ONNX в предоставленных данных отсутствуют, модели PP-YOLOE+ демонстрируют конкурентоспособную скорость вывода mAP и эффективную скорость вывода TensorRT , что подходит для приложений, где важны точность и эффективность развертывания.

Узнайте больше о PP-YOLOE+

Примеры использования и сильные стороны

PP-YOLOE+ хорошо подходит для приложений, где высокая точность и эффективность имеют первостепенное значение, особенно в экосистеме PaddlePaddle :

  • Промышленный контроль: Идеально подходит для высокоскоростных проверок качества на производстве, выгодно отличаясь точностью и эффективностью.
  • Edge Computing: Эффективное развертывание на мобильных и встроенных устройствах благодаря оптимизированной архитектуре.
  • Робототехника: Обеспечивает восприятие в реальном времени для роботов, работающих в динамических средах, используя скорость и точность.
  • Высокопроизводительная обработка: Подходит для сценариев, требующих быстрого обнаружения объектов на больших объемах изображений или видеопотоков.

Авторство и дата:

Сравнительная таблица моделей

Модель размер
(пикселей)		 mAPval
50-95		 Скорость
CPU ONNX
(мс)		 Скорость
T4TensorRT10
(мс)		 params
(M)		 FLOPs
(B)
YOLO11n 640 39.5 56.1 1.5 2.6 6.5
YOLO11s 640 47.0 90.0 2.5 9.4 21.5
YOLO11m 640 51.5 183.2 4.7 20.1 68.0
YOLO11l 640 53.4 238.6 6.2 25.3 86.9
YOLO11x 640 54.7 462.8 11.3 56.9 194.9
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

Заключение

И YOLO11 , и PP-YOLOE+ - это надежные модели обнаружения объектов. YOLO11 обеспечивает универсальность и удобство использования в экосистеме Ultralytics , эффективно балансируя между скоростью и точностью при решении различных задач. PP-YOLOE+ превосходит по точности и эффективности, особенно для пользователей, интегрированных в систему PaddlePaddle или уделяющих приоритетное внимание безъякорному проектированию в промышленных приложениях.

Для пользователей, заинтересованных в других моделях, Ultralytics предлагает ряд передовых моделей, включая:

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
гленн-джохер

Комментарии