跳至内容

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YOLOv9PP-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。

了解有关 YOLOv9 的更多信息

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环境监测等需要稳健高效的物体检测的应用。

PP-YOLOE+ 文档(桨叶检测)

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

评论