YOLOv9 与 PP-YOLOE+:详细技术比较
选择正确的物体检测模型对于计算机视觉任务至关重要。本页对YOLOv9和PP-YOLOE+ 进行了技术比较,研究了它们的架构、性能和应用,为您的选择提供指导。
YOLOv9:可编程渐变信息
2024 年推出的YOLOv9 是YOLO 系列的重大进步,它通过新颖的建筑设计重点关注信息保存。
- 架构YOLOv9 由台湾中央研究院信息科学研究所的王建尧和廖鸿源撰写。它引入了可编程梯度信息(PGI)和广义高效层聚合网络(GELAN)。PGI 解决了深度网络传播过程中的信息丢失问题,而 GELAN 则优化了网络效率。这一创新组合旨在提高精确度,同时不大幅增加计算成本。原始论文可在arXiv 上查阅。官方GitHub 存储库提供了实现细节。
- 性能:YOLOv9 实现了最先进的性能,兼顾了速度和准确性。如对比图表和表格所示,YOLOv9 模型在保持极具竞争力的推理速度的同时,还显示出较高的 mAP 值。例如,YOLOv9c 实现了 53.0% 的mAPval50-95。
- 使用案例:YOLOv9 提高了效率和准确性,因此适用于各种应用,包括机器人、自动驾驶和安全系统,在这些应用中,有限的计算资源对高检测性能至关重要。
PP-YOLOE+:增强型无锚检测
PP-YOLOE+ 由PaddlePaddle 开发,并在其PaddleDetection框架中作了详细说明,是 PP-YOLOE 系列的进化版,以其无锚方式和高效而著称。
- 结构PP-YOLOE+ 以无锚检测模式为基础,简化了模型,减少了对与锚相关的超参数的需求。PP-YOLOE+ 通常在骨干、颈部和检测头设计方面对基础 PP-YOLOE 进行改进,通常采用解耦头和 VariFocal Loss 等技术来提高检测精度。PaddleDetection GitHub 上提供了相关文档和实现方法。
- 性能PP-YOLOE+ 模型的设计在准确性和推理速度之间取得了很好的平衡。如比较表所示,PP-YOLOE+ 模型(如 PP-YOLOE+m 和 PP-YOLOE+l)具有极具竞争力的 mAP 分数和高效的推理时间,因此适用于各种应用。
- 应用案例:PP-YOLOE+ 的无锚设计和均衡的性能特点使其非常适合工业质量检测、智能零售和环境监测等需要稳健高效的物体检测的应用。
模型 | 尺寸 (像素) |
mAPval 50-95 |
速度 CPU ONNX (毫秒) |
速度 T4TensorRT10 (ms) |
params (M) |
FLOPs (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 |
对于对其他高性能对象检测模型感兴趣的用户,Ultralytics 还提供YOLOv5、YOLOv7、YOLOv8 和最先进的YOLO11,每种模型都具有独特的优势和优化功能。请浏览我们的模型文档,了解更多比较和细节。
📅创建于 1 年前
✏️已更新 1 个月前