PP-YOLOE+ - YOLOv7 Karşılaştırması: Nesne Algılama Mimarilerine Teknik Derinlemesine Bakış

Optimal nesne algılama modelini seçmek, doğruluk, çıkarım hızı ve dağıtım karmaşıklığını dengelemeyi içerir. Bu alandaki iki önemli rakip, hem en son teknoloji performansını ilerletme amacıyla 2022'de piyasaya sürülen PP-YOLOE+ ve YOLOv7'dir. Bu kapsamlı analiz, geliştiricilerin veriye dayalı kararlar almasına yardımcı olarak benzersiz mimarilerini, karşılaştırma değerlerini ve gerçek dünya uygulamalarına uygunluğunu araştırmaktadır.

Performans Metrikleri Karşılaştırması

Aşağıdaki tablo, Ortalama Hassasiyet (mAP) ve desteklenen donanımlardaki çıkarım hızları dahil olmak üzere temel performans metriklerinin doğrudan bir karşılaştırmasını sunmaktadır. Bu veriler, PP-YOLOE+'nin ankraj içermeyen yaklaşımı ile YOLOv7'nin optimize edilmiş mimarisi arasındaki ödünleşimleri görselleştirmeye yardımcı olur.

Model	boyut ^(piksel)	mAP^val 50-95	Hız ^{CPU ONNX (ms)}	Hız ^{T4 TensorRT10 (ms)}	parametreler ^(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

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

PP-YOLOE+: Gelişmiş Anchor'suz Detect

PP-YOLOE+, Baidu'daki araştırmacılar tarafından geliştirilen PP-YOLO serisinin bir evrimidir. Yakınsama hızını ve aşağı yönlü görev performansını daha da iyileştirmek için eğitim sürecine ve mimarisine geliştirmeler getirerek, öncülü PP-YOLOE'nin güçlü yönleri üzerine inşa edilmiştir. Bir ankrajsız detector olarak, önceden tanımlanmış ankraj kutularına olan ihtiyacı ortadan kaldırır, tasarımı basitleştirir ve hiperparametre ayarlamasını azaltır.

Yazarlar: PaddlePaddle Yazarları
Kuruluş:Baidu
Tarih: 2022-04-02
ArXiv:https://arxiv.org/abs/2203.16250
GitHub:https://github.com/PaddlePaddle/PaddleDetection/
Belgeler:PaddleDetection README

PP-YOLOE+ hakkında daha fazla bilgi edinin

Mimari Öne Çıkanlar

PP-YOLOE+'nın mimarisi, özellikleri birden çok ölçekte etkili bir şekilde yakalamak için değişen alıcı alanlarla donatılmış bir CSPResNet backbone'una sahiptir. Temel bir yenilik, belirli bir kayıp fonksiyonu aracılığıyla sınıflandırma ve regresyon görevlerini ayrıştırırken hizalamalarını sağlayan Verimli Görev Hizalı Başlık (ET-head)'tır.

PP-YOLOE+, sınıflandırma ve lokalizasyon kalitesinin hizalanmasına dayalı olarak pozitif örnekleri dinamik olarak seçen bir etiket atama stratejisi olan Görev Hizalama Öğrenimi (TAL)'ni kullanır. Bu, modelin eğitim sırasında yüksek kaliteli tahminlere odaklanmasını sağlar. Ayrıca, model dağıtılmış bir eğitim stratejisi kullanır ve standart dışı operatörlerin kullanımından kaçınarak PaddlePaddle ekosistemi tarafından desteklenen çeşitli donanım platformlarında daha kolay dağıtım sağlar.

Temel Özellik: Anchor-Free Tasarım

Çapa kutularını kaldırarak, PP-YOLOE+, çapa kümelenmesi ve eşleştirme adımlarıyla ilişkili karmaşıklığı azaltır. Bu, genellikle nesnelerin aşırı en boy oranlarına sahip olabileceği çeşitli veri kümelerinde daha iyi genellemeye yol açar.

YOLOv7: Gerçek Zamanlı Hız için Optimize Edildi

YOLOv7, mimari verimliliğe ve "bedava hediyeler" yöntemlerine (çıkarım maliyetini artırmadan doğruluğu artıran teknikler) büyük ölçüde odaklanarak, piyasaya sürüldüğünde gerçek zamanlı nesne algılama için yeni bir ölçüt belirledi. Hız ve doğruluk açısından YOLOR ve YOLOv5 gibi önceki son teknoloji modellerinden daha iyi performans göstermek üzere tasarlanmıştır.

Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
Kuruluş:Institute of Information Science, Academia Sinica, Taiwan
Tarih: 2022-07-06
ArXiv:https://arxiv.org/abs/2207.02696
GitHub:https://github.com/WongKinYiu/yolov7
Belgeler:Ultralytics YOLOv7 Dökümantasyonu

YOLOv7 hakkında daha fazla bilgi edinin

Mimari Yenilikler

YOLOv7, Genişletilmiş Verimli Katman Toplama Ağı (E-ELAN)'nı tanıttı. Bu omurga tasarımı, en kısa ve en uzun gradyan yollarını kontrol ederek ağın daha çeşitli özellikler öğrenmesini sağlayarak orijinal gradyan yolunu yok etmeden öğrenme yeteneğini geliştirir.

Diğer bir önemli katkı ise Modelin Yeniden Parametreleştirilmesi kullanımıdır. Model, eğitim sırasında çok dallı bir yapı kullanır ve bu yapı, çıkarım için daha basit tek dallı bir yapıda birleştirilir. Bu, YOLOv7'nin öğrenme sırasında zengin özellik temsillerinden yararlanmasını sağlarken, dağıtım sırasında yüksek hızı korumasını sağlar. Model ayrıca, "kabadan inceye" yönlendirmeli etiket atama stratejisi kullanarak derin ağları eğitmek için yardımcı başlıklar kullanır.

Karşılaştırmalı Analiz: Güçlü ve Zayıf Yönler

Bu iki güçlü model arasında karar verirken, bilgisayarla görme projenizin özel gereksinimlerini göz önünde bulundurmak önemlidir.

Doğruluk - Hız Karşılaştırması

PP-YOLOE+, ayrıntılı bir model yelpazesi sunar. The PP-YOLOE+s uç cihazlar için oldukça verimlidir, ancak PP-YOLOE+x en üst düzey mAP değerlerine ulaşıyor, ancak daha düşük kare hızlarında. YOLOv7, gerçek zamanlı detect etme konusunda "tatlı nokta"da öne çıkıyor ve çoğu rakibe kıyasla belirli bir doğruluk seviyesi için GPU donanımında genellikle daha yüksek FPS sağlıyor. Gibi yüksek verimli uygulamalar için trafik izleme, YOLOv7'nin çıkarım optimizasyonu avantajlıdır.

Ekosistem ve Kullanılabilirlik

Temel ayrımlardan biri, ekosistemlerinde yatmaktadır. PP-YOLOE+, PaddlePaddle çerçevesine derinden bağlıdır. Güçlü olmasına rağmen, bu durum öncelikle PyTorch'a alışkın olan ekipler için daha dik bir öğrenme eğrisi sunabilir. YOLOv7, PyTorch'a özgüdür ve bu da onu daha geniş araştırma topluluğu için genellikle daha erişilebilir hale getirir.

Ancak, her iki modelin de modern standartlara kıyasla eğitilmesi ve ince ayar yapılması karmaşık olabilir. YOLOv7, karmaşık ankraj hesaplamaları ve hiperparametre duyarlılığı içerirken, PP-YOLOE+, Paddle algılama yapılandırmalarında gezinmeyi gerektirir.

Ultralytics'in Avantajı: Neden Yükseltmeli?

PP-YOLOE+ ve YOLOv7 mükemmel modeller olsa da, AI alanı hızla ilerliyor. YOLOv8 ve son teknoloji ürünü YOLO11 gibi Ultralytics modelleri, önceki mimarilerde bulunan kullanılabilirlik ve verimlilik zorluklarının çoğunu ele alarak yeni nesil görme AI'sını temsil ediyor.

Üstün Kullanıcı Deneyimi ve Ekosistem

Ultralytics, kullanım kolaylığına öncelik verir. Diğer çerçeveler tarafından sıklıkla gerekli olan karmaşık yapılandırma dosyalarının aksine, Ultralytics modelleri birkaç satır Python kodu veya basit CLI komutlarıyla eğitilebilir, doğrulanabilir ve dağıtılabilir.

Birleşik API: Nesne algılama, örnek segmentasyonu, sınıflandırma, poz tahmini ve OBB gibi görevler arasında sorunsuz geçiş yapın.
İyi Yönetilen Ekosistem: Sık güncellemelerden, gelişen bir topluluktan ve sorunları hızla çözmeye yardımcı olan kapsamlı dokümantasyondan yararlanın.
Entegrasyon: Deney izleme (MLflow, Comet), veri kümesi yönetimi ve ONNX, TensorRT ve CoreML gibi formatlara basitleştirilmiş model dışa aktarımı için yerel destek.

Performans ve Verimlilik

Ultralytics modelleri, optimum performans dengesi için tasarlanmıştır. Genellikle daha düşük hesaplama yüküyle YOLOv7'den daha yüksek doğruluk elde ederler. Ayrıca, birçok transformatör tabanlı alternatife veya eski YOLO sürümlerine kıyasla eğitim sırasında daha az CUDA belleği gerektirerek bellek açısından verimli olacak şekilde tasarlanmıştır. Bu eğitim verimliliği, daha hızlı yinelemelere ve daha düşük bulut bilişim maliyetlerine olanak tanır.

Kod Örneği: Uygulamada Basitlik

Eski iş akışlarına kıyasla modern bir Ultralytics modelini eğitmenin ne kadar basit olduğunu görün:

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")

Projelerinizi Geleceğe Hazırlama

Ultralytics çerçevesini benimsemek, yalnızca bir model değil, gelişen bir platform kullandığınızdan emin olmanızı sağlar. En son Python sürümleri ve donanım hızlandırıcıları desteğiyle, teknik borcu azaltır ve yapay zeka çözümleriniz için uzun vadeli sürdürülebilirliği sağlarsınız.

Sonuç

PP-YOLOE+, PaddlePaddle ekosistemine yatırım yapanlar için güçlü bir seçenek olmaya devam ediyor ve sağlam bir ankrajsız mimari sunuyor. YOLOv7, ham GPU verimi gerektiren projeler için zorlu bir seçenek olmaya devam ediyor. Ancak, çok yönlü, kullanıcı dostu ve yüksek performanslı bir çözüm arayan ve bilgisayarla görme görevlerinin tüm spektrumunu kapsayan geliştiriciler için Ultralytics YOLO11 önerilen yoldur.

Diğer Modelleri İnceleyin

Bu karşılaştırmalarla nesne algılama alanındaki anlayışınızı genişletin: