PP-YOLOE+ so với YOLOv5 : So sánh kỹ thuật chi tiết
Việc lựa chọn mô hình phát hiện đối tượng phù hợp là rất quan trọng đối với các tác vụ thị giác máy tính. Trang này cung cấp so sánh kỹ thuật giữa PP-YOLOE+ và Ultralytics YOLOv5 , hai mô hình phổ biến được biết đến với hiệu suất và hiệu quả trong việc phát hiện đối tượng. Chúng tôi sẽ đi sâu vào kiến trúc, số liệu hiệu suất và các ứng dụng phù hợp của chúng để hỗ trợ bạn đưa ra quyết định sáng suốt.
PP-YOLOE+
PP-YOLOE+, được giới thiệu bởi PaddlePaddle Tác giả từ Baidu vào ngày 2022-04-02 ( Liên kết Arxiv ), là một máy dò một tầng không có mỏ neo được biết đến với hiệu quả và dễ triển khai trong PaddlePaddle hệ sinh thái ( Liên kết GitHub ). Nó nhấn mạnh hiệu suất cao với cấu hình đơn giản hóa ( Liên kết Tài liệu ).
Kiến trúc và các tính năng chính
PP-YOLOE+ được xây dựng dựa trên YOLO kiến trúc với một số cải tiến:
- Thiết kế không neo : Đơn giản hóa quy trình phát hiện bằng cách loại bỏ nhu cầu về hộp neo, giảm việc điều chỉnh siêu tham số. Khám phá các máy dò không neo .
- Backbone : Sử dụng xương sống ResNet với những cải tiến để trích xuất tính năng hiệu quả.
- Cổ : Sử dụng Mạng tổng hợp đường dẫn (PAN) để tăng cường khả năng kết hợp tính năng trên nhiều thang đo khác nhau, tương tự như YOLOv5 'PANet.
- Đầu tách rời : Tách riêng đầu phân loại và đầu hồi quy, cải thiện độ chính xác và hiệu quả đào tạo.
- Học căn chỉnh nhiệm vụ (TAL) Mất mát : Căn chỉnh các nhiệm vụ phân loại và định vị để phát hiện chính xác hơn. Khám phá các hàm mất mát trong Ultralytics Tài liệu.
Hiệu suất
PP-YOLOE+ được thiết kế để cân bằng giữa độ chính xác và tốc độ. Mặc dù các số liệu cụ thể khác nhau, nhưng nhìn chung nó được coi là hiệu quả về mặt tính toán, phù hợp với các ứng dụng thời gian thực.
Các trường hợp sử dụng
PP-YOLOE+ rất phù hợp cho các ứng dụng đòi hỏi khả năng phát hiện đối tượng mạnh mẽ và hiệu quả, chẳng hạn như:
- Kiểm tra chất lượng công nghiệp : Để phát hiện lỗi và kiểm soát chất lượng trong sản xuất. Vision AI trong sản xuất đang chuyển đổi các quy trình công nghiệp.
- Tự động hóa tái chế : Cải thiện hiệu quả tái chế bằng cách xác định vật liệu có thể tái chế.
- Bán lẻ thông minh : Sử dụng AI để quản lý hàng tồn kho bán lẻ thông minh hơn và phân tích hành vi khách hàng.
Điểm mạnh và điểm yếu
- Điểm mạnh:
- Thiết kế không có mỏ neo giúp việc triển khai trở nên đơn giản hơn.
- Khả năng suy luận hiệu quả và độ chính xác cao.
- Được ghi chép đầy đủ và được hỗ trợ trong PaddlePaddle khung.
- Điểm yếu:
- Khóa hệ sinh thái cho người dùng bên ngoài PaddlePaddle môi trường.
- Cộng đồng có khả năng nhỏ hơn và ít tài nguyên hơn so với các mô hình được áp dụng rộng rãi như YOLOv5 .
YOLOv5
Ultralytics YOLOv5 , được biên soạn bởi Glenn Jocher từ Ultralytics và được phát hành vào ngày 26-06-2020 ( Liên kết GitHub ), là một mô hình phát hiện đối tượng tiên tiến được ca ngợi vì tốc độ, độ chính xác và tính thân thiện với người dùng. Nó được xây dựng hoàn toàn trong PyTorch và được thiết kế cho cả mục đích nghiên cứu và ứng dụng thực tế ( Liên kết tài liệu ).
Kiến trúc và các tính năng chính
YOLOv5 nổi tiếng với kiến trúc hợp lý và hiệu quả:
- Xương sống : CSPDarknet53, được tối ưu hóa để trích xuất tính năng hiệu quả.
- Cổ : PANet để tạo kim tự tháp tính năng hiệu quả, tăng cường khả năng hợp nhất tính năng đa tỷ lệ.
- Đầu : Đầu phát hiện lớp tích chập đơn mang lại sự đơn giản và tốc độ.
- Tăng cường dữ liệu : Sử dụng các kỹ thuật tăng cường dữ liệu mạnh mẽ như Mosaic và MixUp để cải thiện độ mạnh mẽ của mô hình. Tìm hiểu về tăng cường dữ liệu .
- Nhiều kích thước mô hình : Cung cấp nhiều kích thước mô hình (n, s, m, l, x) cho các nhu cầu tính toán khác nhau.
Hiệu suất
YOLOv5 nổi tiếng với khả năng cân bằng tốc độ-độ chính xác, cung cấp khả năng phát hiện vật thể theo thời gian thực trên nhiều kích thước mô hình khác nhau. Nó được thiết kế để nhanh chóng và hiệu quả, lý tưởng để triển khai trong nhiều môi trường khác nhau. Khám phá YOLO số liệu hiệu suất để biết thêm chi tiết.
Các trường hợp sử dụng
YOLOv5 Tính linh hoạt của nó làm cho nó phù hợp với nhiều ứng dụng khác nhau:
- Theo dõi đối tượng theo thời gian thực : Lý tưởng cho các hệ thống giám sát và an ninh yêu cầu phát hiện và theo dõi đối tượng nhanh chóng. Phát hiện và theo dõi đối tượng với Ultralytics YOLOv8 giới thiệu các ứng dụng tương tự.
- Triển khai thiết bị biên : Hiệu quả cho việc triển khai thiết bị biên với YOLOv8 trên các thiết bị như Raspberry Pi và NVIDIA Jetson. Tham khảo hướng dẫn khởi động nhanh Raspberry Pi và NVIDIA Hướng dẫn sử dụng nhanh Jetson.
- Bảo tồn động vật hoang dã : Được sử dụng để bảo vệ đa dạng sinh học với YOLOv5 để theo dõi động vật.
Điểm mạnh và điểm yếu
- Điểm mạnh:
- Tốc độ vượt trội và hiệu suất thời gian thực.
- Triển khai linh hoạt với nhiều kích cỡ mô hình.
- Cộng đồng lớn và năng động với sự hỗ trợ rộng rãi. Tham gia cộng đồng Ultralytics .
- Dễ sử dụng với tài liệu hướng dẫn tuyệt vời và Ultralytics Tích hợp HUB. Tài liệu HUB Ultralytics .
- Điểm yếu:
- Các mô hình lớn hơn có thể tốn nhiều công sức tính toán.
- Phương pháp dựa trên mỏ neo có thể yêu cầu điều chỉnh nhiều hơn cho các tập dữ liệu cụ thể so với phương pháp không có mỏ neo. Tìm hiểu về các máy dò dựa trên mỏ neo.
Bảng hiệu suất
Người mẫu | kích cỡ (điểm ảnh) |
giá trị mAP 50-95 |
Tốc độ CPU ONNX (bệnh đa xơ cứng) |
Tốc độ T4 TensorRT10 (bệnh đa xơ cứng) |
tham số (Nam) |
Thất bại (B) |
---|---|---|---|---|---|---|
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 |
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 |
Phần kết luận
Cả PP-YOLOE+ và YOLOv5 là các mô hình phát hiện đối tượng mạnh mẽ. PP-YOLOE+ cung cấp một cách tiếp cận không có neo hiệu quả, đặc biệt có lợi trong PaddlePaddle hệ sinh thái. Ultralytics YOLOv5 nổi trội trong các ứng dụng thời gian thực, cung cấp khả năng tối ưu hóa tốc độ và nhiều kích thước mô hình khác nhau, được hỗ trợ bởi một cộng đồng lớn và hệ sinh thái toàn diện.
Người dùng cũng có thể quan tâm đến việc khám phá những điều khác Ultralytics YOLO các mô hình như:
- YOLOv7 được biết đến với tốc độ và hiệu quả.
- YOLOv8 , mới nhất Ultralytics mô hình có hiệu suất hiện đại.
- YOLO11 , phiên bản mới nhất tập trung vào hiệu quả và độ chính xác.
- YOLOv9 , mang đến những cải tiến về cả độ chính xác và tốc độ.
Sự lựa chọn giữa PP-YOLOE+ và YOLOv5 phụ thuộc vào nhu cầu của dự án, sở thích về khuôn khổ và sự cân bằng cần thiết giữa tốc độ và độ chính xác.