PP-YOLOE+ и YOLO11#

Компьютерное зрение постоянно развивается: модели становятся быстрее, точнее и эффективнее. Разработчикам и исследователям, решающим задачи детекции объектов, важно выбрать подходящую архитектуру. В этом подробном сравнении мы рассмотрим особенности двух заметных моделей: PP-YOLOE+ и Ultralytics YOLO11.

Подробно разбирая архитектуры, метрики производительности и оптимальные сценарии использования моделей, это руководство поможет тебе получить необходимые сведения для обоснованного выбора при следующем развертывании машинного обучения.

Происхождение моделей и технический обзор#

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

Обзор PP-YOLOE+#

Разработанная исследователями Baidu модель PP-YOLOE+ представляет собой развитие более ранней PP-YOLOE. Она призвана расширить возможности детекции в реальном времени в экосистеме PaddlePaddle.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: Репозиторий PaddleDetection
• Документация: Документация PP-YOLOE+

Узнай больше о PP-YOLOE+

Обзор YOLO11#

Созданная Ultralytics модель YOLO11 значительно повышает удобство использования и точность. Она продолжает традицию успешных архитектур, оптимизируя удобство разработки и универсальность для решения множества задач.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: Репозиторий Ultralytics на GitHub
• Документация: Официальная документация YOLO11

Сравнение архитектуры и производительности#

Сравнивая эти два детектора, важно учитывать не только чистые числовые показатели, но и то, как их архитектурные решения влияют на развертывание моделей в реальных условиях.

Архитектура PP-YOLOE+#

PP-YOLOE+ сильно зависит от фреймворка PaddlePaddle. Модель использует мощный подход без якорей, базовую сеть CSPRepResNet и модифицированную сеть агрегации путей (PAN). В варианте «+» улучшена модель-предшественница: добавлена предварительная тренировка на крупномасштабном наборе данных, например Objects365, и усовершенствован TaskAlignedAssigner. Хотя модель достигает высокой средней точности (mAP), жесткая зависимость от PaddlePaddle может затруднить работу команд, привыкших к средам PyTorch или TensorFlow.

Архитектура YOLO11#

Ultralytics YOLO11 изначально создана на базе PyTorch — отраслевого стандарта современного глубокого обучения. Архитектура ориентирована на баланс производительности и обеспечивает выгодное соотношение скорости и точности, подходящее для разнообразных сценариев развертывания в реальных условиях. В YOLO11 используется оптимизированный модуль C3k2 для улучшения распространения градиента, а разделенная голова эффективно обрабатывает задачи классификации и регрессии по отдельности. Кроме того, YOLO11 рассчитана на меньшее потребление памяти: при обучении и инференции ей требуется значительно меньше памяти, чем сложным трансформерным моделям, таким как 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.

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, в которых в рамках единого фреймворка требуются обнаружение объектов, сегментация, оценка позы и OBB.
• 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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• 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. Ее отличают сильная поддержка сообщества, частые обновления и широкая интеграция с такими инструментами, как Weights & Biases и Comet ML.
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 это просто, рассмотрим обучение передовой модели YOLO11. Она автоматически выполняет все этапы аугментации данных, ведение журналов и управление оборудованием:

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#

Хотя YOLO11 остается исключительно мощным инструментом, сфера ИИ развивается стремительно. Выпущенная в январе 2026 года YOLO26 представляет собой самую передовую модель в линейке Ultralytics и рекомендуется для всех новых проектов.

YOLO26 предлагает несколько революционных нововведений:

• Сквозная архитектура без NMS: Развивая идеи, впервые реализованные в YOLOv10, YOLO26 предлагает нативную сквозную голову (nms=False), полностью устраняющую постобработку с подавлением немаксимумов (NMS). Это значительно упрощает развертывание и существенно снижает вариативность задержки.
• Инференция на CPU до 43% быстрее: Благодаря целенаправленному удалению функции потерь с фокальным распределением (DFL) модель становится гораздо легче. Эта оптимизация делает ее лучшим выбором для периферийных вычислений и маломощных устройств IoT.
• 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: Эти передовые функции потерь заметно повышают качество распознавания мелких объектов — критически важной функции для съемки с дронов и аэронаблюдения.

Заключение и реальные сценарии применения#

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

PP-YOLOE+ особенно хорошо показывает себя в отдельных промышленных средах, в частности в производственных центрах Азии, где оборудование глубоко интегрировано с технологическим стеком Baidu и библиотекой PaddlePaddle. Эта модель отлично подходит для анализа статичных изображений, когда главный приоритет — максимальная mAP.

YOLO11 и YOLO26, напротив, предлагают гораздо более универсальный и удобный для разработчиков подход. Благодаря меньшему числу параметров и высокой скорости они идеально 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 важны надежность, активная поддержка сообщества и простые конвейеры развертывания в форматах, таких как ONNX и TensorRT, экосистема Ultralytics остается бесспорным выбором.