İçeriğe geç

Model Karşılaştırması: Nesne Algılama için YOLO11 vs PP-YOLOE+

Doğru nesne algılama modelini seçmek, bilgisayarla görme projeleri için çok önemlidir. Ultralytics YOLO11 ve PP-YOLOE+, her biri farklı uygulama ihtiyaçlarını karşılayan benzersiz güçlü yönlere sahip son teknoloji ürünü modellerdir. Bu sayfa, bu güçlü modeller arasında bilinçli bir karar vermeye yardımcı olmak için ayrıntılı bir teknik karşılaştırma sağlar.

Ultralytics YOLO11

Ultralytics YOLO11 , Ultralytics tarafından geliştirilen YOLO serisinin en son yinelemesidir. Gerçek zamanlı nesne algılama yetenekleriyle bilinen YOLO11 , önceki sürümlerin üzerine inşa edilerek hem hızı hem de doğruluğu artırır. Hassasiyetten ödün vermeden verimli çıkarıma öncelik veren tek aşamalı algılama paradigmasını korur.

Mimari ve Temel Özellikler

YOLO11 , hızlı çıkarım için optimize edilmiş modern bir mimariye sahiptir. Parametre sayısı ve performans arasında bir denge sağlamak için ağ topolojisi ve eğitim tekniklerindeki gelişmeleri içerir. Temel mimari özellikler şunlardır:

  • Verimli Omurga: Hızlı özellik çıkarımı için yüksek verimli bir omurga ağı kullanır.
  • Çapasız Algılama: Çapa kutuları olmadan çalışır, algılama sürecini basitleştirir ve YOLOv8'e benzer şekilde çeşitli nesne ölçeklerinde uyarlanabilirliği artırır.
  • Ölçeklenebilir Model Boyutları: Uç cihazlardan yüksek performanslı sunuculara kadar çeşitli hesaplama kaynaklarına uyacak bir dizi model boyutu (n, s, m, l, x) sunar ve dağıtımda çok yönlülük sağlar.

Performans Ölçütleri

YOLO11 , hız ve doğruluğu dengelemede üstünlük sağlayarak onu gerçek zamanlı uygulamalar için uygun hale getirir. Etkileyici çıkarım hızlarını korurken COCO gibi veri kümelerinde en gelişmiş Ortalama Ortalama Hassasiyeti (mAP) gösterir. Farklı model boyutları, aşağıdaki karşılaştırma tablosunda ayrıntılı olarak açıklandığı gibi, hız ve doğruluk arasında değişen ödünleşimler sunar.

YOLO11 hakkında daha fazla bilgi edinin

Kullanım Örnekleri ve Güçlü Yönler

YOLO11 , hız ve yüksek doğruluk karışımı gerektiren uygulamalar için idealdir:

Yazarlık ve Tarih:

PP-YOLOE+

PP-YOLOE+ (Practical PaddlePaddle You Only Look One-level Efficient Plus) Baidu tarafından PaddleDetection model hayvanat bahçesinin bir parçası olarak geliştirilmiştir. Makul verimliliği korurken nesne algılamada yüksek doğruluk elde etmeye odaklanır. PP-YOLOE+, gelişmiş performans için mimari iyileştirmeler içeren PP-YOLOE'nin geliştirilmiş bir sürümüdür.

Mimari ve Temel Özellikler

PP-YOLOE+ çapasız, tek aşamalı bir nesne algılama modelidir. Nesne merkezlerini ve sınırlayıcı kutu parametrelerini doğrudan tahmin ederek algılama sürecini basitleştirir. Temel özellikleri şunlardır:

  • Çapasız Tasarım: Çapa kutularının karmaşıklığından kaçınarak model mimarisini ve eğitimi basitleştirir.
  • Verimli Mimari: Bir ResNet omurgası kullanır ve rekabetçi doğruluğu sürdürürken hesaplama ek yükünü azaltmak için optimizasyon tekniklerine odaklanır.
  • PaddlePaddle Ekosistem Entegrasyonu: Ekosistem avantajlarından yararlanarak PaddlePaddle çerçevesi içinde sorunsuz entegrasyon ve dağıtım için optimize edilmiştir.

Performans Ölçütleri

PP-YOLOE+ modelleri, doğruluk ve hızı dengelemek için bir dizi yapılandırma (t, s, m, l, x) sunar. Ayrıntılı CPU ONNX hız ölçümleri sağlanan verilerde kolayca mevcut olmasa da, PP-YOLOE+ modelleri, doğruluk ve verimli dağıtımın kritik olduğu uygulamalar için uygun olan rekabetçi mAP ve verimli TensorRT çıkarım hızlarını göstermektedir.

PP-YOLOE+ hakkında daha fazla bilgi edinin

Kullanım Örnekleri ve Güçlü Yönler

PP-YOLOE+, özellikle PaddlePaddle ekosistemi içinde yüksek doğruluk ve verimliliğin çok önemli olduğu uygulamalar için çok uygundur:

  • Endüstriyel Muayene: Doğruluk ve verimliliğinden yararlanarak üretimde yüksek hızlı kalite kontrolleri için idealdir.
  • Uç Bilişim: Optimize edilmiş mimarisi sayesinde mobil ve gömülü cihazlarda verimli dağıtım.
  • Robotik: Hızından ve doğruluğundan yararlanarak dinamik ortamlarda çalışan robotlar için gerçek zamanlı algılama sağlar.
  • Yüksek Verimli İşleme: Büyük hacimli görüntülerde veya video akışlarında hızlı nesne algılama gerektiren senaryolar için uygundur.

Yazarlık ve Tarih:

Model Karşılaştırma Tablosu

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

Sonuç

Hem YOLO11 hem de PP-YOLOE+ sağlam nesne algılama modelleridir. YOLO11 , Ultralytics ekosistemi içinde çok yönlü ve kullanıcı dostu bir deneyim sunarak çeşitli görevlerde hız ve doğruluğu etkili bir şekilde dengeler. PP-YOLOE+, özellikle PaddlePaddle çerçevesine entegre olan veya endüstriyel uygulamalar için çapasız tasarıma öncelik veren kullanıcılar için doğruluk ve verimlilik açısından üstündür.

Diğer modellerle ilgilenen kullanıcılar için Ultralytics , aşağıdakiler de dahil olmak üzere bir dizi son teknoloji model sunar:

📅1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi
glenn-jocher

Yorumlar