YOLOv8 PP-YOLOE+: Yüksek Performanslı Nesne Algılama Konusuna Derinlemesine Bir Bakış
Hızla gelişen bilgisayar görme alanında, doğru nesne algılama mimarisini seçmek, doğruluk, hız ve uygulama fizibilitesi arasında denge sağlamak için çok önemlidir. Bu kılavuz, aşağıdakiler arasında kapsamlı bir teknik karşılaştırma sunar Ultralytics YOLOv8 ve PP-YOLOE+ arasında kapsamlı bir teknik karşılaştırma sunarak, mimari yeniliklerini, performans ölçütlerini ve gerçek dünya uygulamaları için uygunluklarını analiz eder.
Modele Genel Bakış
Ultralytics YOLOv8
YOLOv8 , YOLO önemli bir ilerlemeyi temsil eder ve nesne algılama, örnek segmentasyonu ve poz tahmini için birleşik bir çerçeve sunar. Hız ve doğruluk mirası üzerine inşa edilen bu sistem, yeni bir çapa içermeyen algılama başlığı ve yeni bir kayıp fonksiyonu içerir.
- Yazarlar: Glenn Jocher, Ayush Chaurasia ve Jing Qiu
- Kuruluş:Ultralytics
- Tarih: 2023-01-10
- GitHub:https://github.com/ultralytics/ultralytics
- Belgeler:https://docs.ultralytics.com/models/yolov8/
YOLOv8 hakkında daha fazla bilgi edinin.
PP-YOLOE+
PP-YOLOE+, Baidu'nun PaddlePaddle PP-YOLOE serisinin bir evrimidir. Özellikle PaddlePaddle rekabetçi bir performans elde etmek için çapa içermeyen mekanizmayı iyileştirmeye ve eğitim stratejilerini geliştirmeye odaklanmaktadır.
- Yazarlar: PaddlePaddle Yazarları
- Kuruluş:Baidu
- Tarih: 2022-04-02
- Arxiv:https://arxiv.org/abs/2203.16250
- GitHub:https://github.com/PaddlePaddle/PaddleDetection/
- Belgeler:PaddleDetection PP-YOLOE+ Yapılandırmaları
PP-YOLOE+ hakkında daha fazla bilgi edinin
Performans Karşılaştırması
Nesne algılayıcıları değerlendirirken, çıkarım hızı (gecikme) ile ortalama hassasiyet (mAP) arasındaki denge çok önemlidir. Aşağıdaki grafik bu ilişkiyi görselleştirir ve ardından ayrıntılı bir metrik tablosu yer alır.
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız T4 TensorRT10 (ms) | parametreler (M) | FLOP'lar (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 37.3 | 80.4 | 1.47 | 3.2 | 8.7 |
| YOLOv8s | 640 | 44.9 | 128.4 | 2.66 | 11.2 | 28.6 |
| YOLOv8m | 640 | 50.2 | 234.7 | 5.86 | 25.9 | 78.9 |
| YOLOv8l | 640 | 52.9 | 375.2 | 9.06 | 43.7 | 165.2 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
| 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 |
Not: Performans ölçütleri, PP-YOLOE+'nın teorik olarak güçlü FLOP verimliliği sergilemesine karşın, YOLOv8 özellikle CPU uç cihazlarda YOLOv8 daha üstün gerçek dünya verimi ve parametre verimliliği sağladığını göstermektedir.
Mimari Farklılıklar
Ultralytics YOLOv8
YOLOv8 , son teknoloji ürünü, bağlantı noktası içermeyen bir algılama sistemi YOLOv8 . Önceden tanımlanmış bağlantı kutularına dayanan önceki sürümlerin aksine, YOLOv8 nesnelerin merkezlerini doğrudan YOLOv8 . Bu, eğitim sürecini basitleştirir ve aşağıdaki gibi çeşitli veri kümeleri arasında genellemeyi iyileştirir COCOgibi çeşitli veri kümeleri arasında genellemeyi iyileştirir.
Temel mimari özellikler şunları içerir:
- C2f Modülü: C3 modülünün yerini alan C2f (iki konvolüsyonlu çapraz aşamalı kısmi darboğaz) modülü, hafif bir ayak izi korurken gradyan akışını iyileştirir ve özellik temsilini zenginleştirir.
- Ayrıştırılmış Başlık: Sınıflandırma ve regresyon görevleri ayrı dallar tarafından gerçekleştirilir, böylece model her görev için belirli özellik türlerine odaklanabilir ve daha yüksek doğruluk elde edilebilir.
- Görev Odaklı Atama: Sınıflandırma ve regresyon puanlarına göre pozitif örnekleri temel gerçeklerle dinamik olarak eşleştiren gelişmiş bir etiket atama stratejisi.
PP-YOLOE+ Mimarisi
PP-YOLOE+, PP-YOLOE çerçevesine dayalı olarak, CSPResNet backbone basitleştirilmiş Path Aggregation Network (PANet) boynu kullanılarak oluşturulmuştur. Yeniden parametreleştirme ve verimli etiket atamasına önem vermektedir.
Temel mimari özellikler şunları içerir:
- RepResBlock: Çıkarım sırasında birden fazla katmanı tek bir konvolüsyon halinde birleştirmek için yeniden parametreleştirme teknikleri kullanır ve eğitim kapasitesinden ödün vermeden gecikmeyi azaltır.
- TAL (Görev Hizalama Öğrenimi): YOLOv8 benzer şekilde, çapa hizalamasını optimize etmek için görev hizalama öğrenimini kullanır.
- Object365 Ön Eğitimi: PP-YOLOE+'daki "+" işareti, Objects365 veri setinde büyük ölçekli ön eğitimin kullanıldığını belirtir. Bu, yüksek mAP değerine katkıda bulunur, mAP sonuçları sıfırdan çoğaltmak isteyen kullanıcılar için eğitimin karmaşıklığını artırır.
Ekosistem ve Kullanım Kolaylığı
Ultralytics'in Avantajı
YOLOv8'in en önemli farklılıklarından biri YOLOv8 'nin en önemli ayırt edici özelliklerinden biri, sağlam Ultralytics . Model, sadece bir kod deposu değil, kesintisiz bir iş akışına entegre edilmiş, tam destekli bir üründür.
- Birleştirilmiş API: Geliştiriciler, tek bir dize argümanını değiştirerek görevler arasında geçiş yapabilirler:Algılama, Segmentasyon, Poz Tahmini, OBB ve Sınıflandırma.
- Ultralytics : Ultralytics , tarayıcıdan doğrudan veri seti yönetimi, model eğitimi ve dağıtımını kolayca gerçekleştirmenizi sağlar.
- Geniş Entegrasyon: MLOps araçları için yerel destek Weights & Biases, Cometve MLflow gibi MLOps araçları için yerel destek, deney takibinin tak ve çalıştır özelliği ile yapılmasını sağlar.
Basit Python Arayüzü
YOLOv8 ile çıkarım yapmak için sadece birkaç satır kod YOLOv8 :
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt")
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
PP-YOLOE+ Ekosistemi
PP-YOLOE+, PaddlePaddle ekosistemine derinlemesine entegre edilmiştir. Güçlü olmasına rağmen, bu durum PyTorch TensorFlow alışkın geliştiriciler için daha zor bir öğrenme eğrisi oluşturabilir. Dağıtım genellikle PaddleLite'a veya Paddle2ONNX ONNX modelleri ONNX dönüştürmeye dayanır, bu da Ultralytics doğrudan dışa aktarma yeteneklerine kıyasla ek bir adım ekler.
Eğitim ve Hafıza Verimliliği
Verimli Eğitim
YOLOv8 Eğitim Verimliliği için YOLOv8 . Otomatik parti boyutu belirlemeyi ve kullanıma hazırGPU destekler. Mimarisi, RT-DETRgibi dönüştürücü tabanlı modellere kıyasla daha az VRAM tüketmek üzere optimize edilmiştir, böylece kullanıcılar tüketici sınıfı donanımlarda daha büyük modelleri eğitebilirler.
Önceden Eğitilmiş Ağırlıklar
Ultralytics , çeşitli görevler ve boyutlar (Nano'dan X-Large'a) için çok çeşitli önceden eğitilmiş ağırlıklar Ultralytics . Bu modeller anında kullanılabilir ve ilk kullanımda otomatik olarak indirilir, bu da transfer öğrenme projelerinin geliştirme döngüsünü önemli ölçüde hızlandırır. Buna karşılık, PP-YOLOE+'nın tüm gücünden yararlanmak için genellikle PaddleDetection kütüphanesinin belirli yapılandırmalarını incelemek gerekir.
Kullanım Durumları ve Öneriler
YOLOv8 Ne Zaman Tercih Edilmeli?
Ultralytics YOLOv8 çok yönlülüğü ve kullanım kolaylığı nedeniyle çoğu geliştirici ve işletme için önerilen seçimdir.
- Edge Dağıtımı: Raspberry Pi veya mobil telefonlar gibi cihazlarda çalıştırmak için idealdir. TFLite veya CoreMLkullanarak çalıştırmak için idealdir.
- Çok Modlu Görevler: Projeniz algılama ile birlikte segmentasyon veya poz tahmini gerektiriyorsa, YOLOv8 birleşik bir çözüm YOLOv8 .
- Hızlı Prototipleme: Basit CLI Python , hızlı yinelemeyi mümkün kılar ve bu da onu girişimler ve hackathonlar için mükemmel hale getirir.
- Topluluk Desteği: GitHub ve Discord'da büyük bir topluluk sayesinde, sorunlara hızlı ve güvenilir çözümler bulmak mümkündür.
Ne Zaman PP-YOLOE+ Seçmeli
PP-YOLOE+, Baidu altyapısına zaten yatırım yaptıysanız güçlü bir rakip.
- PaddlePaddle : Üretim süreçleri tamamen PaddlePaddle üzerine kurulu olan ekipler için vazgeçilmez bir araçtır.
- Yüksek Hesaplama Sunucuları: Model, dağıtım karmaşıklığından bağımsız olarak, maksimum mAP için karmaşık mimarisinden yararlanmak üzere yüksek kaliteli GPU'ların mevcut olduğu ortamlarda iyi performans gösterir.
Gelecek: YOLO26
YOLOv8 sağlam bir endüstri standardı YOLOv8 , Ultralytics bilgisayar görüşünün sınırlarını zorlamaya Ultralytics . Yakın zamanda piyasaya sürülen YOLO26 , yeni nesil verimliliği temsil ediyor.
YOLO26, uçtan uca NMS tasarım sunarak, maksimum bastırma sonrası işleme ihtiyacını ortadan kaldırır. Bu, daha hızlı çıkarım ve daha basit dağıtım mantığı sağlar. Ayrıca, MuSGD Optimizer ve DFL Removal gibi yenilikler, YOLO26'yı önceki nesillere kıyasla CPU %43'e kadar daha hızlı hale getirerek, uç bilgi işlem için en iyi seçim konumunu sağlamlaştırır.
Bugün yeni projelere başlayan geliştiriciler için, uygulamalarınızı geleceğe hazır hale getirmek için YOLO26'yı YOLOv8 ile birlikte değerlendirmeniz şiddetle tavsiye YOLOv8 .
YOLO26 hakkında daha fazla bilgi edinin
Sonuç
Hem YOLOv8 PP-YOLOE+ mükemmel nesne algılama modelleridir. Ancak, Ultralytics YOLOv8 , kullanıcı odaklı tasarımı, kapsamlı belgeleri ve eşsiz çok yönlülüğü ile öne çıkmaktadır. En son teknoloji performansı korurken giriş engelini azaltan YOLOv8ve onun halefi YOLO26, geliştiricilerin minimum sürtünmeyle sofistike AI çözümleri oluşturmalarını sağlar.
Model karşılaştırmalarını daha ayrıntılı incelemek için YOLOv8 EfficientDet ve YOLOv8 YOLOv6 karşılaştırmalarına göz atın.