Начать

PP-YOLOE+ и YOLO11

Компьютерное зрение продолжает развиваться благодаря потребности в более быстрых, точных и эффективных моделях. Для разработчиков и исследователей, работающих над задачами обнаружения объектов, выбор подходящей архитектуры имеет решающее значение. В этом сравнении рассматриваются две заметные модели: PP-YOLOE+ и Ultralytics YOLO11.

Сопоставляя архитектуры, показатели производительности и наиболее подходящие сценарии применения, это руководство поможет тебе принять обоснованное решение для следующего развертывания машинного обучения.

Происхождение моделей и технический обзор#

Обе модели созданы на основе тщательных исследований и масштабной инженерной работы, но принадлежат к совершенно разным экосистемам. Вот основные сведения о каждой модели.

Обзор PP-YOLOE+#

Разработанная исследователями Baidu, PP-YOLOE+ — это новая версия PP-YOLOE, созданная для улучшения обнаружения объектов в реальном времени в экосистеме PaddlePaddle.

Узнай больше о PP-YOLOE+

Обзор YOLO11#

YOLO11, созданная Ultralytics, стала важным шагом вперед в удобстве использования и точности. Она продолжает линейку успешных архитектур и оптимизирована для удобной работы разработчика и решения множества задач.

Знаешь ли ты?

Ultralytics YOLO11 поддерживает не только обнаружение объектов. Сразу после установки ты можешь выполнять сегментацию экземпляров, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB) через один и тот же API.

Сравнение архитектуры и производительности#

При сравнении этих двух детекторов важно смотреть не только на чистые показатели, но и понимать, как выбранные архитектуры влияют на развертывание моделей в реальных условиях.

Архитектура PP-YOLOE+#

PP-YOLOE+ сильно зависит от платформы PaddlePaddle. В ней используется безъякорная архитектура с основой CSPRepResNet и модифицированной сетью агрегирования путей (PAN). В версии «+» по сравнению с предшественницей улучшена предварительная тренировка на крупномасштабных наборах данных, таких как Objects365, и усовершенствован TaskAlignedAssigner. Несмотря на высокую среднюю точность (mAP), жесткая зависимость от PaddlePaddle может затруднить работу команд, привыкших к PyTorch или TensorFlow.

Архитектура YOLO11#

Ultralytics YOLO11 изначально создана на PyTorch — отраслевом стандарте современного глубокого обучения. Архитектура ориентирована на баланс производительности: она обеспечивает выгодное сочетание скорости и точности для различных сценариев развертывания в реальных условиях. В YOLO11 используется оптимизированный модуль C3k2 для улучшения потока градиентов и разделенная голова, которая эффективно обрабатывает задачи классификации и регрессии по отдельности. YOLO11 также спроектирована так, чтобы требовать меньше памяти: при обучении и инференсе она использует значительно меньше памяти, чем сложные трансформерные модели, например RT-DETR.

Таблица метрик производительности#

В таблице ниже показаны различия в производительности моделей разных масштабов. Обрати внимание: YOLO11 обычно обеспечивает сопоставимую или более высокую mAP при значительно меньшем количестве параметров и FLOPs.

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLO11 зависит от требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — хороший выбор для:

  • Интеграция с экосистемой PaddlePaddle: Организации с готовой инфраструктурой на базе фреймворка и инструментов PaddlePaddle от Baidu.
  • Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании со специально оптимизированными ядрами инференса для Paddle Lite или движка инференса Paddle.
  • Обнаружение объектов на сервере с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных серверах с GPU, а зависимость от конкретного фреймворка не имеет значения.

Когда выбирать YOLO11#

YOLO11 рекомендуется для:

  • Промышленное развертывание на периферийных устройствах: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где особенно важны надёжность и активная поддержка.
  • Многозадачные приложения компьютерного зрения: проекты, которым нужны обнаружение объектов, сегментация, оценка позы и OBB в рамках единого фреймворка.
  • Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Преимущества Ultralytics#

Хотя академические тесты производительности важны, долгосрочный успех проекта в области ИИ во многом зависит от экосистемы вокруг модели. Платформа Ultralytics предлагает разработчикам и предприятиям ряд существенных преимуществ.

  1. Простота использования: Ultralytics избавляет от сложностей глубокого обучения. Удобный интерфейс и простой API Python позволяют разработчикам обучать собственные модели, используя всего несколько строк кода. В PP-YOLOE+ для этого часто требуются сложные файлы конфигурации.
  2. Хорошо поддерживаемая экосистема: в отличие от многих репозиториев, предназначенных только для исследований, экосистема Ultralytics активно развивается. У нее большое сообщество, регулярные обновления и широкие возможности интеграции с инструментами, например Weights & Biases и Comet.
  3. Универсальность: YOLO11 предлагает единую систему для решения множества задач компьютерного зрения, избавляя от необходимости изучать разные библиотеки для классификации, сегментации и детекции ограничивающих рамок.
  4. Эффективность обучения: Эффективные процессы обучения моделей YOLO экономят время и вычислительные ресурсы. Благодаря предварительно обученным весам на наборе данных COCO модели быстро сходятся даже на обычном потребительском оборудовании.

Сравнение кода для обучения#

Чтобы показать, насколько просто работать с пакетом, вот пример обучения модели YOLO11. Пакет автоматически выполняет аугментацию данных, ведет журналы и управляет аппаратными ресурсами:

from ultralytics import YOLO

# Загрузка предварительно обученной облегчённой модели YOLO11
model = YOLO("yolo11s.pt")

# Обучи модель на своем наборе данных в течение 100 эпох
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Запусти быструю проверку инференции на общедоступном изображении
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

Настройка аналогичного конвейера в PaddleDetection требует вручную разбираться в сложных конфигурациях YAML и выполнять длинные команды командной строки, что может замедлить гибкую разработку.

Взгляд в будущее: появление YOLO26#

Несмотря на то что YOLO11 остается мощным инструментом, область ИИ развивается быстро. Выпущенная в январе 2026 года YOLO26 — новейшая модель в линейке Ultralytics, рекомендуемая для всех новых проектов.

YOLO26 предлагает несколько инноваций:

  • Сквозная архитектура без NMS: развивая идеи, впервые представленные в YOLOv10, YOLO26 предлагает изначально встроенную сквозную голову (nms=False), полностью устраняющую постобработку с подавлением немаксимумов (NMS). Это упрощает развертывание и значительно сокращает колебания задержки.
  • Инференс на CPU до 43% быстрее: удаление Distribution Focal Loss (DFL) делает модель легче, а YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, поэтому отлично подходит для периферийных вычислений и маломощных устройств Интернета вещей.
  • Оптимизатор MuSGD: YOLO26 переносит инновации обучения LLM в компьютерное зрение. Используя оптимизатор MuSGD — гибрид SGD и Muon — модель обеспечивает высокую стабильность обучения и более быструю сходимость.
  • ProgLoss + STAL: Progressive Loss и назначение меток с учетом небольших объектов заметно улучшают распознавание мелких объектов — важное свойство для съемки с дронов и воздушного наблюдения.

Заключение и реальные сценарии применения#

Выбирая между PP-YOLOE+ и YOLO11 (или более новой YOLO26), учитывай экосистему, в которой планируешь развертывать модель.

PP-YOLOE+ подходит для промышленных сред, где оборудование и программное обеспечение уже интегрированы с технологическим стеком Baidu и библиотекой PaddlePaddle. Модель хорошо справляется со статическим анализом изображений, когда максимальная mAP — главный приоритет.

YOLO11 и YOLO26, напротив, предлагают более универсальный и удобный для разработчиков подход. Благодаря меньшему числу параметров и высокой скорости они отлично подходят для:

  • Умная розница: обработка видеопотоков в реальном времени для автоматизации оплаты и управления запасами.
  • Автономная робототехника: обеспечение быстрого объезда препятствий на встраиваемых устройствах с ограниченными ресурсами.
  • Безопасность и видеонаблюдение: надежный многозадачный анализ, например отслеживание объектов и оценка позы, за один высокоэффективный проход инференции.

Для современных инженеров в области ИИ, которым нужны надежность, активная поддержка сообщества и простые конвейеры развертывания в форматах, например ONNX и TensorRT, экосистема Ultralytics остается рекомендуемым выбором.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.