PP-YOLOE+ против DAMO-YOLO#

Непрерывное развитие компьютерного зрения привело к появлению множества узкоспециализированных архитектур для обнаружения объектов в реальном времени. При оценке моделей для промышленных и исследовательских приложений часто обсуждают две известные разработки 2022 года: PP-YOLOE+ от Baidu и DAMO-YOLO от Alibaba Group. Обе модели расширили возможности обнаружения объектов без якорей благодаря новым backbone, продвинутым стратегиям сопоставления меток и специализированным методам объединения признаков.

В этом руководстве подробно разбираются технические особенности PP-YOLOE+ и DAMO-YOLO, в том числе их архитектуры, методики обучения и преимущества при развертывании. Мы также сравним эти решения с современными моделями, такими как Ultralytics YOLO26, чтобы помочь тебе выбрать инструмент с учетом конкретных ограничений развертывания.

PP-YOLOE+: усовершенствованное обнаружение объектов для промышленности#

Разработанная в экосистеме Baidu, PP-YOLOE+ представляет собой итеративное улучшение оригинальной PP-YOLOE, тщательно оптимизированное для фреймворка глубокого обучения PaddlePaddle. Модель создана для максимальной точности и скорости инференса на оборудовании серверного класса, поэтому хорошо 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.
• Task Alignment Learning (TAL): PP-YOLOE+ использует продвинутую стратегию динамического сопоставления меток, которая согласует задачи классификации и регрессии во время обучения, сокращая разрыв между результатами обучения и инференса.
• Эффективная голова обнаружения объектов с согласованием задач (ET-head): Упрощенная голова обнаружения объектов быстро обрабатывает признаки без потери пространственного разрешения, что особенно полезно для получения высоких показателей mAP.

Подробности о PP-YOLOE+:

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Документация: Документация PP-YOLOE+

Узнай больше о PP-YOLOE+

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

Созданная академией Alibaba DAMO, DAMO-YOLO использует совершенно иной подход. Вместо ручного проектирования backbone исследовательская команда применила поиск архитектуры нейронной сети (NAS), чтобы найти эффективные топологии сети, адаптированные к жестким ограничениям по задержке.

Ключевые особенности и конвейер обучения#

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

• Backbone MAE-NAS: Используя поиск архитектуры нейронной сети с максимальной энтропией, DAMO-YOLO строит backbone, специально оптимизированные под компромисс между количеством параметров и точностью.
• Эффективная RepGFPN: Перепараметризованная обобщенная пирамидальная сеть признаков обеспечивает надежное объединение признаков разных масштабов. Это помогает модели обнаруживать объекты совершенно разных размеров в одном кадре.
• Архитектура ZeroHead: Сильно упрощенная голова обнаружения объектов, которая значительно снижает вычислительные затраты на этапе инференса.
• 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:

• Авторы: Сяньчжэ Сюй, Ици Цзян, Вэйхуа Чэнь, Илуне Хуан, Юань Чжан и Сюйюй Сунь
• Организация: Alibaba Group
• Дата: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO
• Документация: Документация DAMO-YOLO

Узнай больше о DAMO-YOLO

Анализ производительности#

При оценке этих моделей компромисс между задержкой, вычислительной сложностью (FLOPs) и средней точностью по всем классам (mAP) определяет оптимальную среду развертывания.

DAMO-YOLOt обеспечивает меньшую задержку в TensorRT, чем PP-YOLOE+t, а DAMO-YOLO точнее в вариантах Tiny и Small, поэтому хорошо подходит для видеопотоков с высокой пропускной способностью. Однако PP-YOLOE+ отлично масштабируется вплоть до варианта Extra-Large (x) и обеспечивает высокую точность на сложных изображениях, когда скорость инференса не является приоритетом.

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 и обеспечивает простой запуск, значительно превосходя сложные процессы дистилляции и привязанные к конкретным фреймворкам настройки старых моделей.

Разработчикам, которым нужен оптимальный баланс производительности, Ultralytics YOLO26 предлагает революционно эффективное решение для развертывания в реальных условиях.

Почему YOLO26 лидирует в отрасли#

Выпущенная в начале 2026 года YOLO26 развивает наследие YOLO11, предлагая прорывные технологии для промышленного применения:

• Сквозная архитектура без NMS: YOLO26 может полностью пропускать постобработку с подавлением немаксимумов (NMS) благодаря необязательной голове «один к одному» (nms=False). Это упрощает логику развертывания и обеспечивает стабильную, предсказуемую задержку инференса.
• Оптимизатор MuSGD: Вдохновленная методами обучения больших языковых моделей, YOLO26 использует гибридный оптимизатор MuSGD. Он обеспечивает чрезвычайно стабильное обучение и быструю сходимость, экономя ценное время работы GPU.
• Улучшенный инференс на CPU: Удаляя Distribution Focal Loss (DFL) и оптимизируя граф сети, YOLO26 ускоряет инференс на CPU до 43%, что делает ее оптимальным выбором для edge-устройств с ИИ.
• ProgLoss + STAL: Эти продвинутые функции потерь значительно улучшают распознавание мелких объектов, что особенно важно для работы с дронами и дистанционного зондирования.
• Непревзойденная универсальность: В отличие от PP-YOLOE+, которая предназначена только для обнаружения объектов, YOLO26 изначально поддерживает оценку позы, сегментацию экземпляров, классификацию изображений и повернутые 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 передовую 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 без проблем
model.export(format="onnx")

Оптимальные сценарии применения и рекомендации#

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

• Выбирай PP-YOLOE+, если весь твой конвейер глубоко интегрирован в экосистему Baidu PaddlePaddle. Эта модель по-прежнему отлично подходит для анализа статических изображений на мощных серверах, когда главная цель — максимальная точность.
• 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 всех современных промышленных сценариев. Экосистема Ultralytics предлагает непревзойденную документацию, низкие требования к памяти и удобный API. Создаешь ли ты системы автоматизированного контроля качества или запускаешь отслеживание объектов в реальном времени на Raspberry Pi, архитектура YOLO26 без NMS сразу обеспечивает быстрые, стабильные и точные результаты.

Если ты рассматриваешь другие передовые решения, в документации Ultralytics также есть множество материалов о широко распространенной YOLOv8 и надежной YOLO11, чтобы ты мог выбрать подходящую модель для любой задачи компьютерного зрения.