YOLOv7 ve PP-YOLOE+: Nesne Algılama için Teknik Bir Karşılaştırma
Optimum nesne algılama mimarisinin seçilmesi, bilgisayarla görü geliştirmede çok önemli bir karardır ve sonraki uygulamaların performansını ve verimliliğini büyük ölçüde etkiler. Bu analiz, aşağıdaki konulara derinlemesine teknik bir bakış sağlar YOLOv7 ve PP-YOLOE+, gerçek zamanlı algılama ortamını şekillendiren iki ünlü model. Araştırmacılara ve mühendislere bilinçli seçimler yapmalarında yol göstermek için mimari yeniliklerini, eğitim metodolojilerini ve performans ölçümlerini inceliyoruz.
YOLOv7: Gerçek Zamanlı Hız ve Doğruluğu Tanımlama
YOLOv7 gerçek zamanlı uygulamalar için hız ve doğruluk sınırlarını zorlamak üzere tasarlanan You Only Look Once ailesinin gelişiminde önemli bir kilometre taşı olarak ortaya çıktı. Çıkarım maliyetlerini artırmadan özellik öğrenmeyi geliştiren mimari stratejiler sunarak, piyasaya sürüldüğünde yeni bir son teknoloji ölçütü belirledi.
- Yazarlar: Chien-Yao Wang, Alexey Bochkovskiy ve Hong-Yuan Mark Liao
- Organizasyon:Bilgi Bilimleri Enstitüsü, Academia Sinica, Tayvan
- Tarih: 2022-07-06
- ArXiv:https://arxiv.org/abs/2207.02696
- GitHub:https://github.com/WongKinYiu/yolov7
- Dokümanlar:https://docs.ultralytics.com/models/yolov7/
YOLOv7 hakkında daha fazla bilgi edinin
Mimari Yenilikler
YOLOv7'nin tasarımının özünü Genişletilmiş Verimli Katman Birleştirme Ağı (E-ELAN) oluşturmaktadır. Bu roman backbone mimarisi, gradyan akışını bozmadan özellikleri etkili bir şekilde öğrenmek için en kısa ve en uzun gradyan yollarını kontrol eder. Gradyan yolunu optimize ederek, ağ verimliliği korurken daha derin öğrenme yetenekleri elde eder.
Ayrıca, YOLOv7 eğitim sırasında bir "bedava torba" stratejisi kullanır. Bunlar, çıkarım motoru aşamasında hesaplama maliyeti eklemeden doğruluğu artıran optimizasyon yöntemleridir. Teknikler arasında, ayrı modülleri dağıtım için tek bir farklı modülde birleştiren model yeniden parametrelendirme ve yardımcı kafa denetimi için kabadan inceye kurşun kılavuzlu kayıp yer alır.
Güçlü ve Zayıf Yönler
- Güçlü yönleri: YOLOv7 olağanüstü bir hız/doğruluk oranı sunarak GPU'larda gerçek zamanlı çıkarım için oldukça etkili olmasını sağlar. Çapa tabanlı yaklaşımı, aşağıdaki gibi standart veri kümeleri için iyi ayarlanmıştır COCO.
- Zayıf yönler: Çapa tabanlı bir dedektör olarak, çapa kutularının önceden tanımlanmış konfigürasyonunu gerektirir; bu da olağandışı nesne en boy oranlarına sahip özel veri kümeleri için optimal olmayabilir. Modeli çok farklı donanım kısıtlamaları arasında verimli bir şekilde ölçeklendirmek de yeni yinelemelere kıyasla karmaşık olabilir.
PP-YOLOE+: Çapasız Challenger
PP-YOLOE+, PaddleDetection paketinin bir parçası olarak Baidu tarafından geliştirilen PP-YOLOE'nin evrimleşmiş halidir. Algılama işlem hattını basitleştirmeyi ve geliştiricilerin ayarlaması gereken hiperparametrelerin sayısını azaltmayı amaçlayan çapasız bir mimari ile kendini ayırır.
- Yazarlar: PaddlePaddle Yazarları
- Organizasyon:Baidu
- Tarih: 2022-04-02
- ArXiv:https://arxiv.org/abs/2203.16250
- GitHub:https://github.com/PaddlePaddle/PaddleDetection/
- Dokümanlar:https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
PP-YOLOE+ hakkında daha fazla bilgi edinin
Mimari Yenilikler
PP-YOLOE+, çapasız bir dedektör mekanizması benimseyerek çapa kutusu kümeleme ihtiyacını ortadan kaldırır. Bir CSPRepResNet backbone ve basitleştirilmiş bir kafa tasarımı kullanır. Performansının anahtarı, sınıflandırma ve yerelleştirme kalitesinin hizalanmasına dayalı olarak pozitif örnekleri dinamik olarak atayan Görev Hizalama Öğrenimidir (TAL).
Model ayrıca yüksek kaliteli örneklerin eğitimine öncelik vermek üzere tasarlanmış özel bir kayıp fonksiyonu olan VariFocal Loss'u da entegre etmektedir. "+" versiyon, boyun ve baş yapılarında geliştirmeler içermekte ve daha iyi çok ölçekli algılama için özellik piramidini optimize etmektedir.
Güçlü ve Zayıf Yönler
- Güçlü yönler: Çapasız tasarım, eğitim kurulumunu basitleştirir ve çeşitli nesne şekilleri üzerinde genelleştirmeyi geliştirir. Farklı boyutlarda (s, m, l, x) iyi ölçeklenir ve PaddlePaddle çerçevesi için büyük ölçüde optimize edilmiştir.
- Zayıf Yönler: PaddlePaddle ekosistemine olan birincil bağımlılığı, PaddlePaddle ekosisteminde yerleşik ekipler için sürtünme yaratabilir. PyTorch veya TensorFlow ekosistemler. Çin dışındaki topluluk desteği ve üçüncü taraf araçları, küresel YOLO topluluğuna kıyasla genellikle daha az kapsamlıdır.
Performans Karşılaştırması
Bu modelleri karşılaştırırken, Ortalama Ortalama Hassasiyet (mAP) ve çıkarım gecikmesi. Aşağıdaki tablo COCO veri setindeki temel metrikleri vurgulamaktadır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
Analiz
Görüldüğü üzere YOLOv7l, 6,84 ms'lik TensorRT hızıyla %51,4 mAP elde ederek etkileyici bir verimlilik sergilemektedir. Buna karşılık, PP-YOLOE+l biraz daha yüksek bir %52,9 mAP elde eder, ancak 8,36 ms'lik daha yavaş bir hızda ve önemli ölçüde daha yüksek parametrelerle (52,2M'ye karşı 36,9M). Bu, YOLOv7'nin karşılaştırılabilir doğruluk seviyeleri için parametre kullanımı ve çıkarım hızındaki üstün verimliliğini vurgulamaktadır. PP-YOLOE+x doğruluk sınırlarını zorlarken, bunu karşılaştırılabilir YOLO modellerinin parametrelerinin neredeyse iki katı maliyetle yapmaktadır.
Verimlilik Önemlidir
Bellek ve işlemin sınırlı olduğu uç yapay zeka dağıtımları için, YOLO mimarilerinin daha düşük parametre sayısı ve FLOP 'ları genellikle daha ağır alternatiflere kıyasla daha soğuk çalışma ve daha düşük güç tüketimi anlamına gelir.
Ultralytics Avantajı: Neden Modernize Edilmeli?
YOLOv7 ve PP-YOLOE+ yetenekli modeller olsa da, bilgisayarla görme alanı hızla ilerlemektedir. En yeni Ultralytics modellerinin benimsenmesi, örneğin YOLO11ham metriklerin ötesine geçen belirgin avantajlar sağlar.
1. Kolaylaştırılmış Kullanıcı Deneyimi
Ultralytics kullanım kolaylığına öncelik verir. Diğer çerçevelerin sıklıkla gerektirdiği karmaşık yapılandırma dosyaları ve bağımlılık yönetiminin aksine, Ultralytics modelleri birkaç satır Python ile kullanılabilir. Bu, geliştiriciler için giriş engelini azaltır ve model dağıtım döngüsünü hızlandırır.
2. Birleşik Ekosistem ve Çok Yönlülük
Modern Ultralytics modelleri nesne algılama ile sınırlı değildir. Tek bir çerçeve içinde çok çeşitli görevleri doğal olarak desteklerler:
- Örnek Segmentasyonu: Hassas piksel düzeyinde nesne maskeleme.
- Poz Tahmini: İnsan vücudu veya hayvanlar üzerindeki kilit noktaların tespit edilmesi.
- Yönlendirilmiş Nesne Algılama (OBB): Hava görüntülerinde gemiler gibi döndürülmüş nesnelerin işlenmesi.
- Sınıflandırma: Tüm görüntü kategorizasyonu.
Bu çok yönlülük, ekiplerin birden fazla bilgisayarla görme görevi için tek bir kitaplıkta standartlaşmasına olanak tanıyarak bakımı basitleştirir.
3. Eğitim ve Hafıza Verimliliği
Ultralytics modelleri bellek verimliliği için tasarlanmıştır. Eski mimarilere veya transformatör tabanlı modellere kıyasla eğitim sırasında genellikle daha az VRAM gerektirirler. RT-DETR. Bu, standart tüketici GPU'larında daha büyük parti boyutlarının eğitilmesine olanak tanıyarak yüksek performanslı model oluşturmayı daha fazla araştırmacı için erişilebilir hale getirir.
4. Kod Örneği: Modern Yol
Modern bir Ultralytics modeli ile çıkarım yapmak sezgiseldir. Aşağıda, önceden eğitilmiş bir modeli yüklemek ve tahmini çalıştırmak için ne kadar az kod satırının gerekli olduğunu gösteren, YOLO11 kullanan eksiksiz, çalıştırılabilir bir örnek bulunmaktadır.
from ultralytics import YOLO
# Load the YOLO11n model (nano version for speed)
model = YOLO("yolo11n.pt")
# Run inference on a local image
# This automatically downloads the model weights if not present
results = model("https://ultralytics.com/images/bus.jpg")
# Process results
for result in results:
boxes = result.boxes # Boxes object for bbox outputs
result.show() # Display results on screen
result.save(filename="result.jpg") # Save results to disk
5. Bakımlı Ekosistem
Ultralytics 'i seçmek, canlı bir topluluğa katılmak anlamına gelir. Sık güncellemeler, kapsamlı belgeler ve Ultralytics HUB gibi MLOps araçlarıyla entegrasyonlarla, geliştiriciler AI projelerinin tüm yaşam döngüsü boyunca desteklenir.
Sonuç
Her ikisi de YOLOv7 ve PP-YOLOE+ nesne algılama alanına önemli katkılarda bulunmuştur. YOLOv7 , verimli E-ELAN mimarisi sayesinde GPU donanımı üzerinde yüksek hızlı çıkarım sağlama konusunda üstündür. PP-YOLOE+, PaddlePaddle ekosistemi içinde özellikle güçlü olan sağlam ve çapasız bir alternatif sunar.
Ancak, son teknoloji performansı eşsiz kullanım kolaylığı ile dengeleyen geleceğe dönük bir çözüm arayan geliştiriciler için, Ultralytics YOLO11 önerilen seçimdir. Kapsamlı bir ekosisteme entegrasyonu, çok modlu görevleri desteklemesi ve üstün verimliliği, onu 2025 ve sonrasında ölçeklenebilir bilgisayarla görme uygulamaları oluşturmak için ideal bir platform haline getirmektedir.
Diğer Modelleri İnceleyin
Bu karşılaştırmalarla nesne algılama ortamına ilişkin anlayışınızı genişletin:
- YOLOv7 vs. YOLOv8
- PP-YOLOE+ - YOLOv8 karşılaştırması
- RT-DETR vs. YOLOv7
- YOLOX vs. YOLOv7
- En yeni yeteneklerini keşfedin YOLO11.