İçeriğe geç

PP-YOLOE+ vs YOLOv5: Detaylı Teknik Karşılaştırma

Doğru nesne algılama modelini seçmek, bilgisayarla görme görevleri için çok önemlidir. Bu sayfa, nesne algılamadaki performansları ve verimlilikleriyle bilinen iki popüler model olan PP-YOLOE+ ve Ultralytics YOLOv5 arasında teknik bir karşılaştırma sunmaktadır. Bilinçli bir karar vermenize yardımcı olmak için mimarilerini, performans ölçümlerini ve uygun uygulamaları inceleyeceğiz.

PP-YOLOE+

Baidu'dan PaddlePaddle Yazarları tarafından 2022-04-02 tarihinde tanıtılan PP-YOLOE+(Arxiv Link), PaddlePaddle ekosistemi içinde verimliliği ve dağıtım kolaylığı ile bilinen çapasız, tek aşamalı bir dedektördür(GitHub Link). Basitleştirilmiş bir yapılandırma ile yüksek performansı vurgular(Dokümanlar Bağlantısı).

Mimari ve Temel Özellikler

PP-YOLOE+, çeşitli geliştirmelerle YOLO mimarisi üzerine inşa edilmiştir:

  • Çapasız Tasarım: Çapa kutularına olan ihtiyacı ortadan kaldırarak algılama sürecini basitleştirir ve hiperparametre ayarını azaltır. Çapasız dedektörleri keşfedin.
  • Omurga: Verimli özellik çıkarımı için iyileştirmeler içeren bir ResNet omurgası kullanır.
  • Boyun: YOLOv5'in PANet'ine benzer şekilde, farklı ölçeklerde gelişmiş özellik füzyonu için bir Yol Toplama Ağı (PAN) kullanır.
  • Ayrılmış Başlık: Sınıflandırma ve regresyon başlıklarını ayırarak doğruluğu ve eğitim verimliliğini artırır.
  • Görev Hizalama Öğrenme (TAL) Kaybı: Daha hassas algılamalar için sınıflandırma ve yerelleştirme görevlerini hizalar. Ultralytics Docs'ta kayıp işlevlerini keşfedin.

Performans

PP-YOLOE+ doğruluk ve hız arasında bir denge kurmak üzere tasarlanmıştır. Belirli ölçütler değişmekle birlikte, genellikle hesaplama açısından verimli kabul edilir ve bu da onu gerçek zamanlı uygulamalar için uygun hale getirir.

Kullanım Örnekleri

PP-YOLOE+, aşağıdakiler gibi sağlam ve verimli nesne algılama gerektiren uygulamalar için çok uygundur:

Güçlü ve Zayıf Yönler

  • Güçlü Yönler:
    • Ankrajsız tasarım uygulamayı basitleştirir.
    • Yüksek doğruluk ve verimli çıkarım yetenekleri.
    • PaddlePaddle çerçevesinde iyi belgelenmiş ve desteklenmiştir.
  • Zayıf Yönler:
    • PaddlePaddle ortamı dışındaki kullanıcılar için ekosistem kilitlenmesi.
    • YOLOv5 gibi yaygın olarak benimsenen modellere kıyasla potansiyel olarak daha küçük topluluk ve daha az kaynak.

PP-YOLOE+ hakkında daha fazla bilgi edinin

YOLOv5

Ultralytics 'ten Glenn Jocher tarafından yazılan ve 2020-06-26'da yayınlanan Ultralytics YOLOv5(GitHub Bağlantısı), hızı, doğruluğu ve kullanıcı dostu olmasıyla ünlü son teknoloji ürünü bir nesne algılama modelidir. Tamamen PyTorch 'ta oluşturulmuştur ve hem araştırma hem de pratik uygulamalar için tasarlanmıştır(Docs Link).

Mimari ve Temel Özellikler

YOLOv5 , aerodinamik ve verimli mimarisiyle ünlüdür:

  • Omurga: CSPDarknet53, özellik çıkarma verimliliği için optimize edilmiştir.
  • Boyun: Etkili özellik piramidi üretimi için PANet, çok ölçekli özellik füzyonunu geliştirir.
  • Kafa: Basitlik ve hız için tek bir konvolüsyon katmanı algılama kafası.
  • Veri Büyütme: Model sağlamlığını artırmak için Mosaic ve MixUp gibi güçlü veri artırma teknikleri kullanır. Veri artırma hakkında bilgi edinin.
  • Çoklu Model Boyutları: Farklı hesaplama ihtiyaçları için çeşitli model boyutları (n, s, m, l, x) sunar.

Performans

YOLOv5 , çeşitli model boyutlarında gerçek zamanlı nesne algılama sağlayan hız-doğruluk dengesiyle ünlüdür. Hızlı ve verimli olacak şekilde tasarlanmıştır, bu da onu çeşitli ortamlarda dağıtım için ideal hale getirir. Daha fazla ayrıntı için YOLO performans ölçümlerini keşfedin.

Kullanım Örnekleri

YOLOv5'in çok yönlülüğü onu geniş bir uygulama yelpazesi için uygun hale getirir:

Güçlü ve Zayıf Yönler

  • Güçlü Yönler:
  • Zayıf Yönler:
    • Daha büyük modeller hesaplama açısından yoğun olabilir.
    • Çapa tabanlı yaklaşım, çapasız yöntemlere kıyasla belirli veri kümeleri için daha fazla ayarlama gerektirebilir. Çapa tabanlı dedektörler hakkında bilgi edinin.

YOLOv5 hakkında daha fazla bilgi edinin

Performans Tablosu

Model boyut
(piksel)
mAPval
50-95
Hız
CPU ONNX
(ms)
Hız
T4TensorRT10
(ms)
params
(M)
FLOP'lar
(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

Sonuç

Hem PP-YOLOE+ hem de YOLOv5 sağlam nesne algılama modelleridir. PP-YOLOE+, özellikle PaddlePaddle ekosisteminde faydalı olan verimli bir çapasız yaklaşım sağlar. Ultralytics YOLOv5 , geniş bir topluluk ve kapsamlı bir ekosistem tarafından desteklenen hız optimizasyonları ve çok çeşitli model boyutları sunarak gerçek zamanlı uygulamalarda üstünlük sağlar.

Kullanıcılar ayrıca aşağıdaki gibi diğer Ultralytics YOLO modellerini keşfetmekle de ilgilenebilirler:

  • YOLOv7, hızı ve verimliliği ile bilinir.
  • YOLOv8son teknoloji performansa sahip en yeni Ultralytics modeli.
  • YOLO11verimlilik ve doğruluğa odaklanan en yeni yinelemedir.
  • YOLOv9, hem doğruluk hem de hız konusunda ilerlemeler sunuyor.

PP-YOLOE+ ve YOLOv5 arasındaki seçim proje ihtiyaçlarına, çerçeve tercihine ve hız ile doğruluk arasındaki gerekli dengeye bağlıdır.

📅1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar