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+:
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Документация: Документация 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:
- 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
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).
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.