YOLOv7 vs PP-YOLOE+：对象检测技术对比
在计算机视觉中，选择合适的物体检测模型至关重要，需要在准确性、速度和计算资源之间取得平衡。本页详细比较了 YOLOv7 和 PP-YOLOE+ 这两个在该领域树立了高基准的具有影响力的模型。我们将探讨它们的架构设计、性能指标和理想用例，以帮助您为您的项目做出明智的选择。
YOLOv7：针对速度和准确性进行了优化
YOLOv7 代表了 YOLO 系列中的一个重要里程碑，它以实时推理速度和高准确性之间的卓越平衡而著称。它引入了新颖的架构和训练优化，突破了当时目标检测器可能达到的性能界限。
- 作者： Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao
- 组织： 台湾中研院资讯所
- 日期: 2022-07-06
- ArXiv: https://arxiv.org/abs/2207.02696
- GitHub: https://github.com/WongKinYiu/yolov7
- 文档： https://docs.ultralytics.com/models/yolov7/
架构和主要特性
YOLOv7的架构包含其论文中详述的几项关键创新。其中一项主要贡献是扩展高效层聚合网络 (E-ELAN)，这是一种新颖的骨干网络设计，可在不中断梯度路径的情况下增强网络的学习能力，从而实现更有效的特征提取。
此外，YOLOv7 采用了一种“可训练的免费技巧包”方法。 这包括使用先进的优化技术和训练策略（例如由粗到精的引导损失），从而提高检测准确性，而不会增加推理期间的任何计算成本。 该模型还利用重参数化技术来创建一个更高效的架构，以便在训练完成后进行部署。
性能和用例
YOLOv7 以其出色的性能而闻名，尤其是在需要高速处理而又不会显着降低准确性的情况下。它的效率使其成为 GPU 硬件上实时推理的绝佳选择。
理想的应用包括：
- 自主系统： 为自动驾驶车辆和无人机中的感知系统提供动力，在这些应用中，低延迟对于安全至关重要。
- 安全和监控： 用于高级安全系统，可在实时视频源中立即检测威胁。
- 机器人： 使机器人能够实时感知其环境并与之交互，这对于制造和物流自动化至关重要。
优势与劣势
- 优势： 具有先进的速度和准确性权衡、用于 GPU 推理的高效架构以及可提高性能的先进训练策略。
- 弱点： 作为一个基于 anchor 的模型，它可能需要仔细调整 anchor 框配置，以便在自定义数据集上获得最佳性能。对于较大的变体，训练过程可能需要大量的计算。
PP-YOLOE+：无锚框且多功能
PP-YOLOE+ 由百度开发，是 PaddleDetection 套件中的高性能 无锚框检测器。它以其可扩展性和在各种模型尺寸上的强大性能而著称，同时通过消除锚框简化了检测流程。
- 作者： PaddlePaddle Authors
- 组织： Baidu
- 日期: 2022-04-02
- ArXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 文档： https://github.com/PaddlePaddle/PaddleDetection/blob/release/2.8.1/configs/ppyoloe/README.md
PP-YOLOE+ 文档 (PaddleDetection)
架构和主要特性
PP-YOLOE+ 的核心创新是其无锚框设计，通过消除对预定义锚框及其相关超参数的需求来简化模型。这使得模型更加灵活，更易于适应不同的对象形状和大小。它具有用于分类和定位任务的解耦头部，这有助于解决两者之间的优化冲突。该模型还利用 VariFocal Loss，这是一种专门的 loss function，用于在训练期间优先处理困难样本。“+”版本包括对 backbone、neck（路径聚合网络）和 head 的增强，以提高性能。
性能和用例
PP-YOLOE+ 提供了一系列模型（t、s、m、l、x），可在速度和准确性之间实现灵活的权衡。 这种可扩展性使其能够适应各种硬件约束，从资源受限的边缘设备到强大的云服务器。
理想的应用包括：
优势与劣势
- 优势： 无锚点设计简化了架构和训练过程。它通过多种模型尺寸提供了出色的可扩展性，并实现了强大的准确性/速度平衡。
- 弱点： 该模型主要为 PaddlePaddle 深度学习框架而设计，这可能需要付出额外的努力才能集成到基于 PyTorch 的工作流程中。它的社区和第三方工具支持不如 YOLO 系列广泛。
正面交锋性能对比
在比较YOLOv7和PP-YOLOE+时，选择通常取决于具体的性能要求和硬件。YOLOv7通常擅长在GPU上提供最大的吞吐量，正如其高FPS指标所显示的那样。另一方面，PP-YOLOE+提供了更精细的模型选择，允许开发人员选择他们需要的精确的权衡点。例如，PP-YOLOE+s非常快，而PP-YOLOE+x以速度为代价实现了非常高的mAP。
| 模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 T4 TensorRT10 (毫秒) |
参数 (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
| 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 |
为什么 Ultralytics YOLO 是更好的选择
虽然 YOLOv7 和 PP-YOLOE+ 都是强大的模型，但对于寻求现代、通用和用户友好框架的开发者和研究人员来说，Ultralytics 生态系统将提供卓越的价值，特别是像 Ultralytics YOLOv8 和最新的 YOLO11 这样的模型。
以下是 Ultralytics YOLO 模型脱颖而出的原因：
- 易用性： Ultralytics 提供简化的 Python API 和 CLI，使训练、验证和部署变得非常简单。大量的文档和大量教程为此提供了支持。
- 完善的生态系统： 这些模型是综合生态系统的一部分，该生态系统包括积极的开发、大型开源社区以及与 Ultralytics HUB 等工具的集成，以实现无缝的 MLOps。
- 多功能性： Ultralytics 模型（如 YOLOv8 和 YOLO11）不限于目标检测。它们还为其他关键视觉任务提供内置支持，包括实例分割、姿势估计、分类和旋转框检测 (OBB)，从而提供统一的解决方案。
- 性能和效率： Ultralytics模型旨在实现速度和准确性的最佳平衡。它们还具有内存效率，与其他架构相比，通常需要更少的CUDA内存用于训练和推理，这是一个显著的优势。
- 训练效率： 凭借在 COCO 等数据集上随时可用的预训练权重和高效的训练流程，您可以更快、更轻松地获得高性能的自定义模型。
结论
对于实时 GPU 性能是首要任务的应用，YOLOv7 是一个强大的选择。PP-YOLOE+ 提供了出色的可扩展性和简化的无锚框方法，但其对 PaddlePaddle 框架的依赖性可能是许多开发人员的限制。
然而，对于大多数现代应用来说，像 YOLOv8 和 YOLO11 这样的 Ultralytics 模型是更具吸引力和面向未来的选择。 它们将最先进的性能与无与伦比的用户体验、广泛的任务支持以及强大且维护良好的生态系统相结合。这使得它们成为希望高效构建和部署高质量计算机视觉解决方案的开发人员和研究人员的理想选择。
探索其他模型
为了进一步探索，请考虑以下涉及YOLOv7、PP-YOLOE+和其他领先模型的比较：
- YOLOv7 vs YOLOv8
- PP-YOLOE+ vs. YOLOv8
- YOLOX 与 YOLOv7 对比
- RT-DETR vs. YOLOv7
- 探索像 YOLOv10 和 YOLO11 这样的最新模型。
