技术比较：用于物体检测的 YOLOX 与 PP-YOLOE+ 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YOLOX和PP-YOLOE+ 这两种最先进的无锚点模型进行了详细的技术比较，重点介绍了它们的架构、性能和使用案例，以帮助您做出明智的决定。
YOLOX：高性能无锚探测器
YOLOX 于 2021 年 7 月由Megvii 推出，是一种无锚物体检测模型，以其简单性和高性能而著称。它旨在通过提供精简而有效的架构，缩小研究与工业应用之间的差距。
结构和主要功能
YOLOX 通过采用无锚方法简化了YOLO 系列，无需进行复杂的锚固箱计算。主要的建筑创新包括
- 无锚检测：这种方法去除了锚点框，简化了设计并减少了超参数的数量。
- 解耦磁头：YOLOX 将分类磁头和定位磁头分离，提高了性能，尤其是准确性。
- SimOTA 标签分配：一种先进的标签分配策略，可根据预测的边界框动态分配目标，从而优化训练效果。
- 强大的数据增强功能：利用 MixUp 和 Mosaic 扩增技术来增强稳健性和通用性。
性能指标
YOLOX 模型在准确性和速度之间取得了很好的平衡。如比较表所示，YOLOX 在高效推理时间内获得了具有竞争力的 mAP 分数。例如，YOLOX-x 在 COCO val 数据集上取得了51.1% 的 mAP。
使用案例
- 自动驾驶：实时目标检测对于自动导航和安全系统至关重要。
- 机器人使机器人能够有效地感知环境并与之互动。
- 工业检测：高精度和高速度对生产过程的质量控制至关重要。
优势和劣势
优势：
- 高精确度与速度权衡：在精确度和推理速度方面都有出色表现。
- 简化架构：无锚设计简化了实施过程，降低了计算复杂度。
- 各种型号的强大性能：提供纳米级到 X 级模型，以适应各种资源限制。
弱点
- 与实时模型相比的推理速度：YOLOv10 等模型虽然速度很快，但推理速度可能更快，优先考虑的是速度而不是最终准确性。
详细信息：
- 作者： Zheng Ge、Songtao Liu、Feng Wang、Zeming Li 和 Jian Sun葛铮、刘松涛、王峰、李泽明、孙健
- 组织机构Megvii
- 日期： 2021-07-18
- Arxiv 链接：YOLOX：2021 年超越YOLO 系列
- GitHub 链接：Megvii-BaseDetection/YOLOX
- 文档链接：YOLOX 文档
PP-YOLOE+：来自PaddlePaddle的无锚卓越产品
PP-YOLOE+是PP-YOLOE的增强版。 PaddlePaddle的增强版，旨在实现高精度、高效率的物体检测。PP-YOLOE+ 于 2022 年 4 月由百度发布，它以无锚点模式为基础，专注于需要稳健、精确检测的工业应用。
结构和主要功能
PP-YOLOE+ 在不牺牲推理速度的前提下强调准确性，因此适用于要求苛刻的物体检测任务。其结构包括
- 无锚设计：通过移除锚点盒，简化模型并减少超参数调整。
- 解耦头：与 YOLOX 类似，它使用解耦头进行分类和定位，以提高准确性。
- VariFocal Loss：利用 VariFocal Loss 进行精细分类和边界框回归，提高检测精度。
- CSPRepResNet 主干网和 ELAN 颈网：利用高效的骨干和颈部架构进行特征提取和聚合。
性能指标
PP-YOLOE+ 模型在准确性和速度之间取得了很好的平衡。对比表显示了具有竞争力的 mAP 分数和高效的TensorRT 推断时间。PP-YOLOE+x 在 COCO val 数据集上取得了54.7% 的 mAP分数，显示了出色的准确性。
使用案例
- 工业质量检测：高精度对于识别制造过程中的缺陷至关重要。
- 回收效率：准确的物体检测可提高回收厂的自动分拣能力。
- 监控：要实现安全系统的可靠监控，就必须进行稳健而准确的检测。
优势和劣势
优势：
- 高精度：优先实现最先进的物体检测精度。
- 高效设计：兼顾高精度和合理的推理速度。
- 工业重点：非常适合需要可靠、精确物体检测的工业应用。
弱点
- 复杂性：虽然不需要锚点，但与简单的模型相比，"+"增强功能增加了复杂性。
- 生态系统锁定：主要在PaddlePaddle 生态系统内，这可能是偏好其他框架的用户需要考虑的问题。
详细信息：
- 作者 PaddlePaddle 作者
- 组织机构：百度
- 日期： 2022-04-02
- Arxiv 链接：PP-YOLOE：进化型无锚对象检测器
- GitHub 链接：PaddlePaddle
- 文档链接：PP-YOLOE 文档
型号对照表
| 模型 | 尺寸 （像素） |
mAPval 50-95 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| 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 |
其他型号
对 YOLOX 和 PP-YOLOE+ 感兴趣的用户可能也会发现Ultralytics YOLO 型号的独到之处，例如：
- YOLOv5:以流线型效率和灵活性著称，提供一系列适合各种应用的型号。了解有关YOLOv5 的更多信息。
- YOLOv8:YOLO 系列的最新迭代产品，在物体检测、分割和姿态估计任务中兼顾了速度和准确性。了解有关YOLOv8 的更多信息。
- YOLOv10：代表了实时对象检测的最前沿技术，设计速度快、效率高，是边缘设备的理想之选。了解有关 YOLOv10 的更多信息。
- YOLO11:最新的Ultralytics YOLO 模型，以更强的性能和功能重新定义了人工智能的可能边界。了解有关YOLO11 的更多信息。
📅创建于 1 年前
✏️已更新 1 个月前
