PP-YOLOE+ so với RTDETRv2: So sánh kỹ thuật

Việc điều hướng bối cảnh của các mô hình phát hiện đối tượng hiện đại thường liên quan đến việc lựa chọn giữa các kiến trúc mạng nơ-ron tích chập (CNN) đã được thiết lập và các thiết kế dựa trên bộ biến đổi mới nổi. So sánh kỹ thuật này xem xét PP-YOLOE+ và RTDETRv2 , hai mô hình hiệu suất cao có nguồn gốc từ Baidu. Trong khi PP-YOLOE+ đại diện cho sự phát triển của các CNN hiệu quả, không cần neo trong PaddlePaddle hệ sinh thái, RTDETRv2 (Bộ chuyển đổi phát hiện thời gian thực phiên bản 2) mở rộng ranh giới về độ chính xác bằng cách sử dụng bộ chuyển đổi thị giác.

Phân tích này phân tích những đổi mới về kiến trúc, số liệu hiệu suất và các kịch bản triển khai lý tưởng của họ để giúp bạn lựa chọn công cụ phù hợp cho các dự án thị giác máy tính của mình.

PP-YOLOE+: CNN hiệu quả không cần neo

PP-YOLOE+ là máy dò vật thể công nghiệp hiện đại được phát triển bởi PaddlePaddle Nhóm. Nó hoạt động như một bản nâng cấp cho PP-YOLOE, tập trung vào việc tinh chỉnh sự cân bằng giữa hiệu quả đào tạo, tốc độ suy luận và độ chính xác phát hiện. Được xây dựng dựa trên các nguyên tắc của YOLO (Bạn chỉ nhìn một lần), nó tạo ra một kiến trúc hợp lý, không có điểm neo, được tối ưu hóa cho việc triển khai thực tế.

• Tác giả: Các tác giả của PaddlePaddle
• Tổ chức: Baidu
• Date: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/ PaddlePaddle /PaddleDetection/
• Tài liệu: PaddleDetection PP-YOLOE+ README

Kiến trúc và các tính năng cốt lõi

PP-YOLOE+ sử dụng xương sống CSPResNet có khả năng mở rộng, giúp trích xuất hiệu quả các đặc điểm ở nhiều quy mô. Kiến trúc của nó nổi bật với việc sử dụng một nút CSPPAN (Mạng tổng hợp đường dẫn từng phần chéo giai đoạn), giúp tăng cường khả năng hợp nhất đặc điểm. Một cải tiến quan trọng là Đầu tác vụ hiệu quả (ET-Head) , tách biệt các tác vụ phân loại và định vị, đồng thời đảm bảo sự đồng bộ của chúng trong quá trình huấn luyện thông qua Học tập căn chỉnh tác vụ (TAL) . Phương pháp này loại bỏ nhu cầu điều chỉnh siêu tham số hộp neo nhạy cảm.

Điểm mạnh và hạn chế

Điểm mạnh chính của PP-YOLOE+ nằm ở tốc độ suy luận . Nó được thiết kế để chạy cực kỳ nhanh trên nhiều phần cứng khác nhau, từ GPU cấp máy chủ đến thiết bị biên, mà không làm giảm đáng kể độ chính xác. Thiết kế không neo giúp đơn giản hóa quy trình đào tạo, giúp dễ dàng thích ứng với các tập dữ liệu mới.

Tuy nhiên, việc phụ thuộc vào khuôn khổ PaddlePaddle có thể là một rào cản đối với các nhóm được tích hợp sâu vào PyTorch hoặc TensorFlow hệ sinh thái. Việc chuyển đổi mô hình hoặc tìm kiếm các công cụ triển khai tương thích bên ngoài bộ công cụ của Baidu có thể gây ra sự bất tiện.

Tìm hiểu thêm về PP-YOLOE+

RTDETRv2: Siêu máy biến áp

RTDETRv2 là một bước tiến đáng kể trong lĩnh vực phát hiện đối tượng theo thời gian thực bằng cách áp dụng thành công kiến trúc Transformer - ban đầu được thiết kế cho xử lý ngôn ngữ tự nhiên - cho các tác vụ thị giác với tốc độ cạnh tranh. Nó giải quyết vấn đề chi phí tính toán cao thường gặp ở các máy biến áp, cung cấp một "Túi quà tặng miễn phí" giúp nâng cao hiệu suất ban đầu. RT-DETR đường cơ sở.

• Tác giả: Wenyu Lv, Yian Zhao, Qinyao Chang, Kui Huang, Guanzhong Wang, và Yi Liu
• Tổ chức: Baidu
• Ngày: 17-04-2023 (Bản gốc), 24-07-2024 (Bản phát hành v2)
• Arxiv: https://arxiv.org/abs/2304.08069 ( RT-DETR ), https://arxiv.org/abs/2407.17140 ( RT-DETRv2 )
• GitHub: RT-DETR GitHub
• Tài liệu: Tài liệu RT-DETRv2

Kiến trúc và các tính năng cốt lõi

RTDETRv2 sử dụng bộ mã hóa lai xử lý hiệu quả các đặc điểm đa tỷ lệ, tách biệt các tương tác nội tỷ lệ khỏi sự kết hợp đa tỷ lệ. Thiết kế này cho phép RTDETRv2 nắm bắt bối cảnh toàn cục — mối quan hệ giữa các phần xa nhau của ảnh — hiệu quả hơn nhiều so với các trường tiếp nhận cục bộ của CNN. RTDETRv2 sử dụng cơ chế lựa chọn truy vấn nhận biết IoU để khởi tạo các truy vấn đối tượng, giúp ổn định quá trình huấn luyện và cải thiện chất lượng phát hiện cuối cùng. Bản cập nhật v2 giới thiệu một bộ giải mã linh hoạt cho phép người dùng điều chỉnh tốc độ suy luận bằng cách sửa đổi các lớp giải mã mà không cần phải huấn luyện lại.

Điểm mạnh và hạn chế

Điểm nổi bật của RTDETRv2 là độ chính xác trong các bối cảnh phức tạp , đặc biệt là khi các vật thể bị che khuất hoặc không có sự phân biệt trực quan rõ ràng. Cơ chế tự chú ý cho phép mô hình "lý luận" về bối cảnh một cách toàn diện.

Tìm hiểu thêm về RTDETRv2

Phân tích hiệu năng: Tốc độ so với độ chính xác

Việc lựa chọn giữa hai mô hình này thường phụ thuộc vào các ràng buộc cụ thể của môi trường triển khai. Bảng dưới đây minh họa sự đánh đổi, so sánh Độ chính xác trung bình ( mAP ) và độ trễ suy luận.

Những điểm chính cần ghi nhớ:

• Hiệu quả của mô hình nhỏ: Ở đầu nhỏ hơn của quang phổ, PP-YOLOE+s nhanh gần gấp đôi RTDETRv2-s (2,62ms so với 5,03ms) trong khi sử dụng ít tham số hơn đáng kể (7,93M so với 20M).
• Độ chính xác đỉnh: RTDETRv2 thường cung cấp độ chính xác cao hơn cho mỗi tham số ở dải trung bình (mô hình M và L). Tuy nhiên, PP-YOLOE+x lớn nhất về cơ bản tương đương hoặc nhỉnh hơn một chút về độ chính xác của RTDETRv2-x (54,7 so với 54,3). mAP ) trong khi vẫn duy trì độ trễ thấp hơn một chút.
• Tải tính toán: Các mô hình RTDETRv2 luôn thể hiện số lượng FLOP cao hơn, cho thấy tải tính toán nặng hơn ảnh hưởng đến tuổi thọ pin và tỏa nhiệt trong các hệ thống nhúng .

Các ứng dụng thực tế

Khi nào nên chọn PP-YOLOE+

• Sản xuất tốc độ cao: Dành cho các dây chuyền lắp ráp yêu cầu kiểm soát chất lượng FPS cao, trong đó độ trễ tính bằng mili giây là rất quan trọng.
• Thiết bị biên: Khi triển khai trên phần cứng có ngân sách điện năng hạn chế, chẳng hạn như máy bay không người lái hoặc máy quét di động, trong đó FLOP thấp và số lượng tham số là rất quan trọng.
• Hệ sinh thái PaddlePaddle : Nếu cơ sở hạ tầng hiện tại của bạn đã được xây dựng xung quanh Baidu PaddlePaddle khung.

Khi nào nên chọn RTDETRv2

• Các tình huống phức tạp: Dành cho việc lái xe tự động hoặc giám sát giao thông, trong đó việc hiểu mối quan hệ giữa các đối tượng (bối cảnh) cũng quan trọng như việc phát hiện chúng.
• Cảnh đông đúc: Trong các ứng dụng giám sát có hiện tượng che khuất nặng, cơ chế chú ý toàn cục của bộ biến đổi giúp duy trì tính nhất quán trong việc theo dõi và phát hiện tốt hơn so với CNN thuần túy.

Các Ultralytics Ưu điểm: Tại sao YOLO11 Nổi bật

Trong khi PP-YOLOE+ và RTDETRv2 là những mô hình mạnh mẽ, Ultralytics YOLO11 cung cấp một giải pháp thay thế hấp dẫn thường là lựa chọn ưu việt cho phần lớn các nhà phát triển và nhà nghiên cứu.

• Dễ sử dụng: Ultralytics ưu tiên trải nghiệm của nhà phát triển. Với một Python API và CLI , bạn có thể đào tạo, xác thực và triển khai các mô hình chỉ trong vài phút. Không giống như cấu hình phức tạp thường được yêu cầu cho PaddleDetection hoặc các cơ sở mã nghiên cứu như RT-DETR , Ultralytics YOLO các mô hình hoạt động "ngay khi xuất xưởng".
• Hệ sinh thái được duy trì tốt: Ultralytics Hệ sinh thái này năng động và được cập nhật liên tục. Nó bao gồm tích hợp liền mạch với các công cụ chú thích dữ liệu , theo dõi thử nghiệm (như MLflow và Comet ), và triển khai.
• Cân bằng hiệu suất: YOLO11 được thiết kế để mang lại sự cân bằng tối ưu giữa tốc độ và độ chính xác. Nó thường ngang bằng hoặc vượt trội hơn độ chính xác của các mô hình biến áp trong khi vẫn giữ được tốc độ và hiệu quả bộ nhớ của CNN.
• Hiệu quả bộ nhớ: Một trong những lợi thế quan trọng của YOLO11 là dấu chân bộ nhớ thấp hơn của nó. Việc đào tạo các mô hình dựa trên bộ biến áp như RTDETRv2 có thể yêu cầu một lượng lớn GPU Bộ nhớ VRAM. YOLO11 được tối ưu hóa để đào tạo hiệu quả trên phần cứng dành cho người tiêu dùng.
• Tính linh hoạt: Không giống như nhiều đối thủ cạnh tranh chỉ tập trung vào các hộp giới hạn, một YOLO11 Kiến trúc mô hình hỗ trợ Phát hiện đối tượng , Phân đoạn thể hiện , Ước tính tư thế , Phân loại và Phát hiện đối tượng định hướng (OBB) .

Ví dụ: Đào tạo YOLO11 TRONG Python

Ví dụ sau đây chứng minh tính đơn giản của Ultralytics quy trình làm việc so với các thiết lập khung phức tạp hơn:

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Train the model on the COCO8 dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

Kết luận

Cả PP-YOLOE+ và RTDETRv2 đều thể hiện những tiến bộ nhanh chóng trong lĩnh vực thị giác máy tính. PP-YOLOE+ là một lựa chọn tuyệt vời cho những người đam mê công nghệ. PaddlePaddle hệ sinh thái đòi hỏi hiệu suất thô, trong khi RTDETRv2 chứng minh tiềm năng độ chính xác cao của máy biến áp.

Tuy nhiên, đối với các nhà phát triển đang tìm kiếm một giải pháp linh hoạt, dễ sử dụng và được cộng đồng hỗ trợ mà không ảnh hưởng đến hiệu suất, Ultralytics YOLO11 vẫn là lựa chọn tiêu chuẩn được khuyến nghị. Sự cân bằng giữa mức sử dụng bộ nhớ thấp, tốc độ cao và khả năng đa nhiệm khiến nó trở thành lựa chọn thiết thực nhất để đưa các giải pháp AI từ nguyên mẫu đến sản xuất.

Khám Phá Các So Sánh Khác

• YOLO11 so với RT-DETR
• YOLO11 so với PP-YOLOE+
• RT-DETR so với YOLOv8
• YOLOv8 so với EfficientDet

Bình luận