YOLOv9 vs PP-YOLOE+: Detaylı Teknik Karşılaştırma
Doğru nesne algılama modelini seçmek, bilgisayarla görme görevleri için çok önemlidir. Bu sayfa YOLOv9 ve PP-YOLOE+ arasında teknik bir karşılaştırma sunmakta ve seçiminize rehberlik etmek için mimarilerini, performanslarını ve uygulamalarını incelemektedir.
YOLOv9: Programlanabilir Gradyan Bilgileri
2024 yılında tanıtılan YOLOv9, YOLO serisinde önemli bir ilerlemeyi temsil ediyor ve yeni mimari tasarımlar aracılığıyla bilgi korumaya odaklanıyor.
- Mimari: YOLOv9, Tayvan, Academia Sinica, Bilgi Bilimi Enstitüsü'nden Chien-Yao Wang ve Hong-Yuan Mark Liao tarafından yazılmıştır. Programlanabilir Gradyan Bilgisini (PGI) ve Genelleştirilmiş Verimli Katman Toplama Ağını (GELAN) tanıtmaktadır. PGI, derin ağ yayılımı sırasında bilgi kaybını ele alırken, GELAN ağ verimliliğini optimize ediyor. Bu yenilikçi kombinasyon, hesaplama maliyetini önemli ölçüde artırmadan doğruluğu artırmayı amaçlamaktadır. Orijinal makale arXiv'de mevcuttur. Resmi GitHub deposu uygulama ayrıntılarını sağlamaktadır.
- Performans: YOLOv9, hız ve doğruluk dengesi ile en son teknolojiye sahip performansa ulaşır. Karşılaştırma tablosunda ve grafikte gösterildiği gibi, YOLOv9 modelleri rekabetçi çıkarım hızlarını korurken yüksek mAP değerleri göstermektedir. Örneğin, YOLOv9c %53,0 mAPval50-95değerine ulaşmıştır.
- Kullanım Alanları: YOLOv9'un gelişmiş verimliliği ve doğruluğu, sınırlı hesaplama kaynaklarıyla yüksek algılama performansının kritik olduğu robotik, otonom sürüş ve güvenlik sistemleri dahil olmak üzere çok çeşitli uygulamalar için uygun hale getirir.
YOLOv9 hakkında daha fazla bilgi edinin
PP-YOLOE+: Geliştirilmiş Ankrajsız Algılama
PaddlePaddle tarafından geliştirilen ve PaddleDetection çerçevesinde detaylandırılan PP-YOLOE+, çapasız yaklaşımı ve verimliliği ile bilinen PP-YOLOE serisinin bir evrimidir.
- Mimari: PP-YOLOE+, modeli basitleştirerek ve çapa ile ilgili hiper parametrelere olan ihtiyacı azaltarak çapasız tespit paradigması üzerine inşa edilmiştir. Genellikle omurga, boyun ve algılama kafası tasarımında temel PP-YOLOE'ye göre iyileştirmeler içerir ve algılama doğruluğunu iyileştirmek için genellikle ayrılmış kafalar ve VariFocal Loss gibi teknikleri içerir. Dokümantasyon ve uygulama PaddleDetection GitHub'da mevcuttur.
- Performans: PP-YOLOE+ modelleri doğruluk ve çıkarım hızı arasında güçlü bir denge sunmak üzere tasarlanmıştır. Karşılaştırma tablosunda gösterildiği gibi, PP-YOLOE+m ve PP-YOLOE+l gibi PP-YOLOE+ modelleri rekabetçi mAP skorları ve verimli çıkarım süreleri sağlayarak onları çeşitli uygulamalar için çok yönlü hale getirir.
- Kullanım Alanları: PP-YOLOE+'nun ankrajsız tasarımı ve dengeli performans özellikleri, onu endüstriyel kalite denetimi, akıllı perakende ve çevresel izleme gibi sağlam ve verimli nesne algılamanın gerekli olduğu uygulamalar için çok uygun hale getirir.
PP-YOLOE+ Dokümantasyon (PaddleDetection)
Model | boyut (piksel) |
mAPval 50-95 |
Hız CPU ONNX (ms) |
Hız T4TensorRT10 (ms) |
params (M) |
FLOP'lar (B) |
---|---|---|---|---|---|---|
YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
YOLOv9s | 640 | 46.8 | - | 3.54 | 7.1 | 26.4 |
YOLOv9m | 640 | 51.4 | - | 6.43 | 20.0 | 76.3 |
YOLOv9c | 640 | 53.0 | - | 7.16 | 25.3 | 102.1 |
YOLOv9e | 640 | 55.6 | - | 16.77 | 57.3 | 189.0 |
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 |
Diğer yüksek performanslı nesne algılama modelleriyle ilgilenen kullanıcılar için Ultralytics , her biri benzersiz güçlü yönlere ve optimizasyonlara sahip YOLOv5, YOLOv7, YOLOv8 ve son teknoloji YOLO11'i de sunmaktadır. Daha fazla karşılaştırma ve ayrıntı için model belgelerimizi keşfedin.