Bỏ qua nội dung

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:

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 .

Tìm hiểu thêm về PP-YOLOE+

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:

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.

Tìm hiểu thêm về YOLOv5

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.

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng
glenn-jocher

Bình luận