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.
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.
