Начать

PP-YOLOE+ против DAMO-YOLO

Исследования в области компьютерного зрения привели к появлению множества специализированных архитектур для обнаружения объектов в реальном времени. При выборе моделей для промышленных и исследовательских приложений часто рассматривают две известные разработки 2022 года: PP-YOLOE+ от Baidu и DAMO-YOLO от Alibaba Group. Обе модели развили безанкорное обнаружение объектов благодаря новым бэкбонам, улучшенным стратегиям назначения меток и специализированным методам объединения признаков.

В этом руководстве разбираются архитектуры, методы обучения и сильные стороны PP-YOLOE+ и DAMO-YOLO при развертывании. Также сравниваются эти модели с современными решениями, такими как Ultralytics YOLO26, чтобы помочь тебе выбрать инструмент с учётом ограничений конкретного развертывания.

PP-YOLOE+: усовершенствованное обнаружение объектов для промышленности#

Разработанная в экосистеме Baidu модель PP-YOLOE+ — это итеративное улучшение оригинальной PP-YOLOE, глубоко оптимизированное для фреймворка глубокого обучения PaddlePaddle. Модель создана для максимальной точности и скорости вывода на серверном оборудовании, поэтому отлично подходит для промышленного контроля и приложений умной розницы.

Архитектурные инновации#

PP-YOLOE+ предлагает несколько архитектурных улучшений по сравнению с предыдущими детекторами без якорей:

  • Backbone CSPRepResNet: В этом backbone используется архитектура в стиле RepVGG в сочетании со связями Cross Stage Partial (CSP). Это обеспечивает хороший баланс между возможностями извлечения признаков и задержкой инференса.
  • Обучение выравниванию задач (TAL): PP-YOLOE+ применяет динамическую стратегию назначения меток, которая согласует задачи классификации и регрессии во время обучения и сокращает разрыв между качеством обучения и вывода.
  • Эффективная голова, согласованная с задачей (ET-head): Упрощённая голова обнаружения, быстро обрабатывающая признаки без потери пространственного разрешения, что помогает поддерживать высокие показатели mAP.

Подробности о PP-YOLOE+:

Узнай больше о PP-YOLOE+

DAMO-YOLO: поиск архитектуры нейронной сети на edge-устройствах#

Созданная академией Alibaba DAMO, DAMO-YOLO использует принципиально иной подход. Вместо ручного проектирования бэкбона исследовательская группа применила поиск нейронных архитектур (NAS), чтобы найти эффективные топологии сетей, отвечающие строгим требованиям к задержке.

Ключевые особенности и конвейер обучения#

DAMO-YOLO обеспечивает низкую задержку и высокую точность благодаря автоматизированной методике с активным использованием дистилляции:

  • Бэкбоны MAE-NAS: DAMO-YOLO с помощью поиска нейронных архитектур на основе максимальной энтропии создаёт бэкбоны, специально оптимизированные для баланса между количеством параметров и точностью.
  • Эффективный RepGFPN: Перепараметризованная обобщённая сеть пирамиды признаков обеспечивает надёжное объединение признаков разных масштабов и помогает модели обнаруживать объекты очень разного размера в одном кадре.
  • Архитектура ZeroHead: Упрощённая голова обнаружения, существенно снижающая вычислительную нагрузку при выполнении вывода.
  • Улучшение за счет дистилляции: Чтобы повысить производительность компактных вариантов, DAMO-YOLO активно использует сложный процесс дистилляции знаний: большая модель-учитель направляет обучение модели-ученика.

Сведения о DAMO-YOLO:

Узнай больше о DAMO-YOLO

Привязка к фреймворку

Несмотря на серьезные теоретические новшества в PP-YOLOE+ и DAMO-YOLO, обе модели тесно связаны со своими фреймворками — PaddlePaddle и специфическими средами Alibaba соответственно. Это может усложнить перенос моделей в стандартизированные облачные среды или на edge-устройства.

Анализ производительности#

При оценке этих моделей выбор наиболее подходящей среды развертывания определяется компромиссом между задержкой, вычислительной сложностью (FLOPs) и средней точностью (mAP).

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3

DAMO-YOLOt обеспечивает меньшую задержку TensorRT, чем PP-YOLOE+t, а DAMO-YOLO точнее распознаёт объекты крошечного и малого размера, поэтому хорошо подходит для видеопотоков с высокой пропускной способностью. Однако PP-YOLOE+ хорошо масштабируется до варианта сверхбольшого размера (x) и обеспечивает первоклассную точность на сложных изображениях, где время вывода менее критично.

Преимущества Ultralytics: развитие архитектур после 2022 года#

PP-YOLOE+ и DAMO-YOLO стали важными вехами, однако современная разработка требует большей универсальности, более простых конвейеров обучения и меньших требований к памяти. Платформа Ultralytics отвечает этим требованиям благодаря простому процессу работы без сложной дистилляции и настроек под конкретные фреймворки, необходимых для старых моделей.

Для разработчиков, которым нужен оптимальный баланс производительности сегодня, Ultralytics YOLO26 — важный шаг вперёд в эффективности развертывания в реальных условиях.

Почему YOLO26 лидирует в отрасли#

Выпущенная в январе 2026 года YOLO26 развивает YOLO11 и предлагает ряд функций для эксплуатации в производственной среде:

  • Сквозная архитектура без NMS: YOLO26 может полностью пропускать этап постобработки с подавлением немаксимумов (NMS) благодаря необязательной голове one-to-one (nms=False). Это упрощает логику развертывания и обеспечивает стабильную, предсказуемую задержку вывода.
  • Оптимизатор MuSGD: Вдохновлённая методами обучения больших языковых моделей, YOLO26 использует гибридный оптимизатор MuSGD, обеспечивающий стабильное обучение и быструю сходимость, что экономит время работы GPU.
  • Более быстрый вывод на CPU: Благодаря отказу от распределённой фокальной функции потерь (DFL) и оптимизации графа сети YOLO26n обеспечивает вывод на CPU до 43% быстрее YOLO11n и отлично подходит для периферийных ИИ-устройств.
  • ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учётом мелких объектов заметно повышают точность распознавания объектов малого размера. Это важно для операций с дронами и дистанционного зондирования.
  • Универсальность для множества задач: В отличие от PP-YOLOE+, ориентированной только на обнаружение, YOLO26 изначально поддерживает сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

Удобство использования и эффективность обучения#

Для обучения модели DAMO-YOLO необходимо управлять ресурсоемким конвейером дистилляции «учитель — ученик». В отличие от нее, для обучения модели Ultralytics достаточно нескольких строк Python, а памяти CUDA требуется значительно меньше, чем конкурирующим архитектурам.

from ultralytics import YOLO

# Инициализируй модель YOLO26
model = YOLO("yolo26n.pt")

# Обучи модель с оптимизатором MuSGD
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, optimizer="MuSGD")

# Запусти сквозной инференс без NMS
results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируй в ONNX или TensorRT
model.export(format="onnx")

Оптимальные сценарии применения и рекомендации#

Выбор подходящей архитектуры компьютерного зрения во многом зависит от интеграции с экосистемой команды и целевых платформ развертывания.

  • Выбирай PP-YOLOE+, если весь твой конвейер тесно интегрирован с экосистемой Baidu PaddlePaddle. Эта модель остаётся хорошим выбором для анализа статических изображений на мощных серверах, когда главная цель — добиться максимальной точности.
  • Выбирай DAMO-YOLO, если ты проводишь специализированные исследования алгоритмов поиска архитектуры нейронной сети или располагаешь ресурсами для поддержки сложных конвейеров дистилляции, необходимых для достижения минимальной задержки в TensorRT.
  • Выбирай Ultralytics YOLO26 почти для любых современных производственных сценариев. Экосистема Ultralytics предлагает подробную документацию, низкие требования к памяти и простой API. Создаёшь ли ты системы автоматизированного контроля качества или выполняешь отслеживание в реальном времени на Raspberry Pi, архитектура YOLO26 без NMS сразу обеспечивает быстрые, стабильные и точные результаты.

Если ты рассматриваешь другие решения, в документации Ultralytics также есть много материалов о широко распространённой YOLOv8 и надёжной YOLO11, чтобы ты мог подобрать подходящую модель для любой задачи компьютерного зрения.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.