YOLOv5 vs. PP-YOLOE+: Nesne Algılama için Teknik Bir Karşılaştırma
Optimum nesne algılama modelinin seçilmesi, bilgisayarla görme projelerinin verimliliğini, doğruluğunu ve ölçeklenebilirliğini etkileyen çok önemli bir karardır. Bu kapsamlı kılavuz, aşağıdakileri karşılaştırmaktadır Ultralytics YOLOv5Baidu'nun PaddlePaddle ekosisteminden yüksek doğruluklu bir model olan PP-YOLOE+'a karşı kullanılabilirliği ve hızıyla tanınan efsanevi bir model. Mimarilerini, performans metriklerini ve dağıtım iş akışlarını analiz ederek, geliştiricilerin ve araştırmacıların özel ihtiyaçları için en iyi çözümü seçmelerine yardımcı olmayı amaçlıyoruz.
Ultralytics YOLOv5: Kullanılabilirlik ve Hız Standardı
Ultralytics tarafından 2020'de piyasaya sürülen YOLOv5, son teknoloji nesne algılamayı herkes için erişilebilir hale getirerek görsel yapay zeka ortamını temelden değiştirdi. Öncekilerden farklı olarak, yerel olarak uygulanan ilk YOLO modeliydi. PyTorchküresel veri bilimi topluluğu için eğitim ve dağıtım sürecini basitleştiriyor. Tasarım felsefesi, inanılmaz derecede kullanıcı dostu bir ekosistemde paketlenmiş gerçek zamanlı çıkarım hızı ve yüksek doğruluk arasındaki dengeye öncelik verir.
Yazarlar: Glenn Jocher
Organizasyon:Ultralytics
Tarih: 2020-06-26
GitHubyolov5
Docsyolov5yolov5
Temel Güçlü Yönler
- Kullanım Kolaylığı: YOLOv5 , "kullanıma hazır" deneyimi ile ünlüdür. Kolaylaştırılmış Python API ve sezgisel CLI komutları ile geliştiriciler dakikalar içinde özel veri kümeleri üzerinde eğitim almaya başlayabilir.
- Bakımlı Ekosistem: Ultralytics tarafından desteklenen bu sistem, sık güncellemelere ve büyük, aktif bir topluluğa sahiptir. Bu, GitHub Issues gibi platformlarda uzun vadeli destek ve zengin bir bilgi paylaşımı sağlar.
- Performans Dengesi: Özellikle Raspberry Pi gibi uç cihazlarda, önemli ölçüde doğruluktan ödün vermeden olağanüstü gerçek zamanlı çıkarım hızları sunar.
- Çok yönlülük: Standart algılamanın ötesinde, YOLOv5 örnek segmentasyonunu ve görüntü sınıflandırmasını destekleyerek onu çeşitli görme görevleri için esnek bir araç haline getirir.
YOLOv5 hakkında daha fazla bilgi edinin
PP-YOLOE+: Kürek Ekosisteminde Yüksek Doğruluk
PP-YOLOE+, Baidu'daki araştırmacılar tarafından geliştirilen YOLO serisinin bir evrimidir. 2022 yılında piyasaya sürülen PaddleDetection araç seti içinde amiral gemisi modeli olarak hizmet vermektedir. Gibi kıyaslama veri kümelerinde hassasiyetin sınırlarını zorlamak için çapasız bir mimari ve gelişmiş eğitim stratejileri benimser. COCO.
Yazarlar: PaddlePaddle Yazarlar
Organizasyon:Baidu
Tarih: 2022-04-02
ArXivPaddlePaddle
GitHubPaddlePaddle
DokümanlarPaddlePaddlePaddlePaddle
Mimari ve Özellikler
PP-YOLOE+, bir CSPRepResNet backbone ve benzersiz bir prototipsiz algılama kafası kullanır. Çapasız bir dedektör olduğundan, çapa kutularıyla ilgili hiperparametre ayarlama karmaşıklığını azaltır. Ortalama Ortalama Hassasiyeti (mAP) en üst düzeye çıkarmanın birincil hedef olduğu senaryolarda mükemmeldir ve genellikle artan hesaplama karmaşıklığı pahasına karşılaştırılabilir çapa tabanlı modellerden biraz daha yüksek puanlar elde eder. Bununla birlikte, PaddlePaddle çerçevesine olan bağımlılığı, PyTorch veya TensorFlow üzerinde standartlaştırılmış ekipler için bir öğrenme eğrisi sunabilir.
PP-YOLOE+ hakkında daha fazla bilgi edinin
Performans Analizi: Metrikler ve Verimlilik
YOLOv5 ve PP-YOLOE+ karşılaştırılırken, genellikle ham doğruluk ve operasyonel verimlilik (hız ve dağıtım kolaylığı) arasında bir denge kurulur.
Hız ve Doğruluk
PP-YOLOE+ modelleri genellikle daha yüksek mAP yayınlarval COCO veri kümesindeki puanları, saf tespit kabiliyetindeki güçlerini göstermektedir. Örneğin PP-YOLOE+l kayda değer bir 52,9 mAP elde eder. Ancak, bu genellikle standart donanımda YOLOv5'e kıyasla daha yüksek gecikme süresiyle birlikte gelir.
Ultralytics YOLOv5 parlıyor çıkarım hızı. Şunu YOLOv5n (Nano) modeli inanılmaz derecede hafiftir ve T4 GPU 'da 1,12 ms'lik son derece hızlı bir çıkarım süresiyle 28,0 mAP 'ye ulaşır. TensorRT. Bu, YOLOv5 ' YOLOv5 aşağıdakiler için üstün bir seçim haline getirir uç yapay zeka uygulamaları milisaniyelik gecikmenin kritik olduğu yerlerde.
Hesaplama Verimliliği
YOLOv5 modelleri bellek kısıtlamaları göz önünde bulundurularak tasarlanmıştır. Karmaşık çapasız mimarilere veya dönüştürücü tabanlı modellere kıyasla eğitim ve çıkarım sırasında genellikle daha az CUDA belleğine ihtiyaç duyarlar. Bu verimlilik, NVIDIA Jetson modülleri gibi kaynak kısıtlı donanımlarda kapsamlı optimizasyon çabaları olmadan daha sorunsuz dağıtımı kolaylaştırır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| 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 |
| 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 |
Eğitim Ekosistemi ve Kullanılabilirlik
Geliştirici deneyiminin "yumuşak" ölçütleri genellikle bir projenin başarısını belirler. Burada, iki model arasındaki fark en belirgin şekilde ortaya çıkmaktadır.
Ultralytics Ekosistemi
YOLOv5 , tüm MLOps işlem hattını kolaylaştıran entegre Ultralytics ekosisteminden yararlanır.
- PyTorch Native: PyTorch üzerine inşa edilmiş olması, açık kaynaklı araçların ve kütüphanelerin büyük çoğunluğu ile uyumluluk sağlar.
- Sorunsuz Entegrasyonlar: Şunlar için yerleşik destek Weights & Biases, Cometve ClearML deney takibini zahmetsiz hale getirir.
- Eğitim Verimliliği: Önceden eğitilmiş ağırlıklar hazırdır ve otomatik olarak indirilerek hızlı aktarımlı öğrenmeye olanak sağlar.
- Dağıtım: Dışa aktarma modu, tek tıklamayla aşağıdakilere dönüştürmeyi destekler ONNX, CoreML, TFLiteve daha fazlası.
Ultralytics HUB ile İş Akışını Basitleştirme
Ultralytics HUB kullanarak tek bir satır kod yazmadan YOLOv5 modellerini eğitebilir, önizleyebilir ve dağıtabilirsiniz. Bu web tabanlı platform, veri kümelerinizi ve eğitim çalışmalarınızı yöneterek vizyon yapay zekasını tüm beceri seviyelerindeki ekipler için erişilebilir hale getirir.
PaddlePaddle Ekosistemi
PP-YOLOE+, Baidu'nun derin öğrenme çerçevesi olan PaddlePaddle'a dayanır. Asya'da güçlü ve popüler olmasına rağmen, PyTorch'a kıyasla Batı araştırma topluluğunda daha küçük bir ayak izine sahiptir. PP-YOLOE+'yu benimsemek genellikle ayrı bir ortam kurmayı ve Paddle'a özgü sözdizimini öğrenmeyi gerektirir (paddle.io, paddle.nn). Bu sırada belgeleme kapsamlı olsa da, üçüncü taraf araç ekosistemi ve topluluk desteği YOLOv5'e göre daha az kapsamlıdır.
Kod Örneği: YOLOv5'in Basitliği
Aşağıdaki Python kodu, önceden eğitilmiş bir YOLOv5 modelini yüklemenin ve PyTorch Hub kullanarak çıkarım yapmanın ne kadar kolay olduğunu göstermektedir.
import torch
# Load a YOLOv5s model from PyTorch Hub
model = torch.hub.load("ultralytics/yolov5", "yolov5s", pretrained=True)
# Define an image source
img = "https://ultralytics.com/images/zidane.jpg"
# Run inference
results = model(img)
# Print results to console
results.print()
# Show the image with bounding boxes
results.show()
Gerçek Dünya Kullanım Durumları
YOLOv5 'in Üstün Olduğu Noktalar
- Endüstriyel Otomasyon: Yüksek hızı, hızlı hareket eden montaj hatlarında gerçek zamanlı hata tespitine olanak tanır.
- Otonom Robotik: Düşük bellek yükü, lojistikte kullanılanlar gibi sınırlı yerleşik işlemciye sahip robotlar için idealdir.
- Akıllı Şehir Uygulamaları: Verimli CPU performansı, mevcut altyapı üzerinde trafik izleme için geniş ölçekli dağıtım sağlar.
PP-YOLOE+ Nereye Uyuyor
- Yüksek Hassasiyetli Araştırma: mAP 'nin son %1'ini sıkıştırmanın çıkarım hızından daha önemli olduğu akademik projeler.
- Kürek Merkezli Ortamlar: Baidu ekosistem altyapısına halihazırda yoğun yatırım yapan kurumsal ortamlar.
Sonuç: Sizin İçin Hangi Model Doğru?
Geliştiricilerin ve ticari uygulamaların büyük çoğunluğu için, Ultralytics YOLOv5 önerilen seçim olmaya devam ediyor. Benzersiz kullanım kolaylığı, güçlü topluluk desteği ve dağıtım esnekliği onu düşük riskli, yüksek ödüllü bir çözüm haline getirmektedir. Cep telefonlarından bulut sunuculara kadar neredeyse her platforma minimum sürtünmeyle dağıtılabilmesi, üretim ortamlarında belirleyici bir avantaj sağlar.
PP-YOLOE+, özellikle çapasız bir mimariye ihtiyaç duyan kullanıcılar veya PaddlePaddle iş akışına zaten entegre olanlar için güçlü bir alternatiftir. Yüksek doğruluğu övgüye değerdir, ancak ekosistem parçalanması standart PyTorch iş akışlarına alışkın olanlar için geliştirmeyi yavaşlatabilir.
Diğer Modelleri İnceleyin
Bilgisayarlı görü hızlı ilerliyor. Bu yerleşik modelleri karşılaştırmak değerli olsa da, Ultralytics YOLO ailesindeki daha da yüksek performans ve özellikler sunan en son gelişmeleri keşfetmenizi öneririz.
- YOLO11: Algılama, segmentasyon ve poz tahmini için üstün doğruluk ve verimlilik sağlayan en son teknoloji ürünü model.
- YOLOv8: OBB ve sınıflandırma görevlerini destekleyen oldukça popüler bir birleşik çerçeve.
- RT-DETR: Gerçek zamanlı performans için optimize edilmiş transformatör tabanlı bir dedektör.
Daha geniş bir görünüm için, farklı mimarileri özel gereksinimlerinize göre kıyaslamak üzere ana model karşılaştırma sayfamıza göz atın.