Перейти к содержанию

YOLOv9 против PP-YOLOE+: Подробное техническое сравнение

Выбор правильной модели обнаружения объектов имеет решающее значение для задач компьютерного зрения. На этой странице представлено техническое сравнение YOLOv9 и PP-YOLOE+, рассмотрены их архитектуры, производительность и области применения, что поможет вам сделать правильный выбор.

YOLOv9: программируемая информация о градиенте

YOLOv9, представленный в 2024 году, представляет собой значительное усовершенствование серии YOLO , сосредоточенное на сохранении информации с помощью новых архитектурных решений.

  • Архитектура: YOLOv9, авторами которой являются Чиен-Яо Ванг и Хонг-Юан Марк Ляо из Института информационных наук, Академия Синика, Тайвань. В ней представлены программируемая градиентная информация (PGI) и обобщенная эффективная сеть агрегирования слоев (GELAN). PGI решает проблему потери информации при глубоком распространении сети, а GELAN оптимизирует эффективность сети. Эта инновационная комбинация направлена на повышение точности без существенного увеличения вычислительных затрат. Оригинальная статья доступна на arXiv. Подробности реализации можно найти в официальном репозитории GitHub.
  • Производительность: YOLOv9 достигает современной производительности, обеспечивая баланс между скоростью и точностью. Как видно из сравнительной диаграммы и таблицы, модели YOLOv9 демонстрируют высокие значения mAP, сохраняя при этом конкурентоспособную скорость вычислений. Например, YOLOv9c достигает 53,0% mAPval50-95.
  • Примеры использования: Повышенная эффективность и точность YOLOv9 позволяет использовать его в широком спектре приложений, включая робототехнику, автономное вождение и системы безопасности, где высокая эффективность обнаружения является критически важной при ограниченных вычислительных ресурсах.

Узнайте больше о YOLOv9

PP-YOLOE+: Улучшенное безъякорное обнаружение

PP-YOLOE+, разработанный компанией PaddlePaddle и подробно описанный в их фреймворке PaddleDetection, является развитием серии PP-YOLOE, известной своим безъякорным подходом и эффективностью.

  • Архитектура: PP-YOLOE+ опирается на парадигму безъякорного обнаружения, упрощая модель и уменьшая необходимость в гиперпараметрах, связанных с якорями. Как правило, она включает улучшения по сравнению с базовой PP-YOLOE в дизайне позвоночника, шеи и головки обнаружения, часто используя такие техники, как развязанные головки и VariFocal Loss для повышения точности обнаружения. Документация и реализация доступны на GitHub для PaddleDetection.
  • Производительность: Модели PP-YOLOE+ разработаны таким образом, чтобы обеспечить оптимальный баланс между точностью и скоростью вывода. Как показано в сравнительной таблице, модели PP-YOLOE+, такие как PP-YOLOE+m и PP-YOLOE+l, обеспечивают конкурентоспособные показатели mAP и эффективное время вывода, что делает их универсальными для различных приложений.
  • Примеры использования: Безъякорная конструкция PP-YOLOE+ и сбалансированные рабочие характеристики делают его хорошо подходящим для таких приложений, как промышленный контроль качества, интеллектуальная розничная торговля и мониторинг окружающей среды, где требуется надежное и эффективное обнаружение объектов.

Документация PP-YOLOE+ (PaddleDetection)

Модель размер
(пикселей)
mAPval
50-95
Скорость
CPU ONNX
(мс)
Скорость
T4TensorRT10
(мс)
params
(M)
FLOPs
(B)
YOLOv9t 640 38.3 - 2.3 2.0 7.7
YOLOv9s 640 46.8 - 3.54 7.1 26.4
YOLOv9m 640 51.4 - 6.43 20.0 76.3
YOLOv9c 640 53.0 - 7.16 25.3 102.1
YOLOv9e 640 55.6 - 16.77 57.3 189.0
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

Для пользователей, заинтересованных в других высокопроизводительных моделях обнаружения объектов, Ultralytics также предлагает YOLOv5, YOLOv7, YOLOv8 и передовую модель YOLO11, каждая из которых обладает уникальными преимуществами и оптимизациями. Изучите документацию по нашим моделям для получения более подробной информации и сравнений.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад

Комментарии