PP-YOLOE+ и YOLO11#

Ландшафт компьютерного зрения постоянно меняется под влиянием потребности в более быстрых, точных и эффективных моделях. Для разработчиков и исследователей, решающих задачи обнаружения объектов, критически важно выбрать правильную архитектуру. В этом подробном сравнении мы рассмотрим особенности двух заметных моделей: PP-YOLOE+ и Ultralytics YOLO11.

Разбирая их архитектуры, метрики производительности и оптимальные варианты использования, это руководство поможет тебе получить необходимые сведения для обоснованного выбора при следующем развертывании машинного обучения.

Происхождение моделей и технический обзор#

Обе модели основаны на тщательных академических исследованиях и масштабной инженерной работе, но происходят из совершенно разных экосистем. Рассмотрим основополагающие сведения о каждой модели.

Обзор PP-YOLOE+#

Разработанная исследователями Baidu, PP-YOLOE+ представляет собой развитие более ранней PP-YOLOE, созданное для расширения возможностей обнаружения объектов 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#

YOLO11, созданная Ultralytics, знаменует собой значительный скачок в удобстве использования и точности. Она продолжает традицию чрезвычайно успешных архитектур, оптимизируя взаимодействие разработчика и универсальность для решения нескольких 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#

При сравнении этих двух детекторов нужно смотреть не только на исходные числа, но и понимать, как выбранные архитектурные решения влияют на реальное развертывание моделей.

Архитектура PP-YOLOE+#

PP-YOLOE+ в значительной степени опирается на фреймворк PaddlePaddle. В ней реализована мощная парадигма без якорей, использующая основу RepResNet и модифицированную сеть агрегации путей (PAN). Вариант "+" превзошел предшественницу благодаря предварительному обучению на крупномасштабном наборе данных, включая Objects365, и улучшенному TaskAlignedAssigner. Хотя эта модель обеспечивает высокую среднюю точность (mAP), жесткая зависимость от PaddlePaddle может создавать сложности для команд, привыкших к окружениям PyTorch или TensorFlow.

Архитектура YOLO11#

Ultralytics YOLO11 изначально создана на базе PyTorch, отраслевого стандарта современного глубокого обучения. Архитектура в значительной степени ориентирована на баланс производительности, обеспечивая выгодный компромисс между скоростью и точностью для различных сценариев развертывания в реальном мире. В YOLO11 используется оптимизированный модуль C3k2 для улучшения прохождения градиентов и раздельная головка, эффективно обрабатывающая задачи классификации и регрессии по отдельности. Кроме того, YOLO11 разработана с учетом сниженных требований к памяти: при обучении и выводе она использует значительно меньше памяти по сравнению со сложными моделями на основе Transformer, такими как RT-DETR.

Таблица метрик производительности#

В следующей таблице показаны различия в производительности для моделей разных масштабов. Обрати внимание, что YOLO11 обычно обеспечивает сопоставимый или более высокий mAP, одновременно значительно сокращая количество параметров и FLOPs.

Варианты применения и рекомендации#

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

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — хороший выбор для:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами инференса, специально предназначенными для Paddle Lite или механизма инференса Paddle.
• Высокоточное обнаружение на сервере: Сценарии, в которых приоритетом является максимальная точность обнаружения на мощных GPU-серверах, а зависимость от фреймворка не имеет значения.

Когда выбирать YOLO11#

YOLO11 рекомендуется для:

• Промышленного развертывания на периферийных устройствах: коммерческих приложений на таких устройствах, как Raspberry Pi или NVIDIA Jetson, где особенно важны надежность и активная поддержка.
• Многоцелевых приложений компьютерного зрения: проектов, которым в рамках единого унифицированного фреймворка требуются детектирование, сегментация, оценка позы и OBB.
• Быстрого прототипирования и развертывания: команд, которым нужно быстро перейти от сбора данных к промышленной эксплуатации с помощью оптимизированного Ultralytics Python API.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Преимущества Ultralytics#

Хотя академические бенчмарки важны, долгосрочный успех AI-проекта во многом зависит от экосистемы, окружающей модель. Платформа Ultralytics предлагает разработчикам и предприятиям существенные преимущества.

1. Простота использования: Ultralytics берет на себя всю сложность глубокого обучения. Оптимизированное взаимодействие с системой и простой API Python позволяют разработчикам обучать собственные модели всего несколькими строками 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. Она отличается сильной поддержкой сообщества, регулярными обновлениями и широкой интеграцией с такими инструментами, как Weights & Biases и Comet ML.
3. Универсальность: YOLO11 предоставляет единую унифицированную платформу для нескольких задач компьютерного зрения, избавляя от необходимости изучать разные библиотеки для классификации, сегментации или обнаружения ограничивающих прямоугольников.
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 оборудовании потребительского класса.

Сравнение кода обучения#

Чтобы показать простоту использования, рассмотрим обучение современной модели YOLO11. Она автоматически обрабатывает всю аугментацию данных, ведение журналов и настройку аппаратных ресурсов:

from ultralytics import YOLO

# Load a pre-trained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model on your custom dataset for 100 epochs
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run a quick inference test on a public image
inference_results = model("https://ultralytics.com/images/bus.jpg")
inference_results[0].show()

Настройка аналогичного конвейера в PaddleDetection требует ручной навигации по сложным конфигурациям YAML и выполнения длинных строк командной строки, что может замедлить циклы гибкой разработки.

Взгляд в будущее: появление YOLO26#

Хотя YOLO11 остается исключительно мощным инструментом, область AI развивается стремительно. Выпущенная в январе 2026 года, YOLO26 представляет собой передовой результат развития линейки Ultralytics и является рекомендуемой моделью для всех новых проектов.

YOLO26 представляет несколько революционных инноваций:

• Сквозная архитектура без NMS: Развивая концепции, впервые предложенные в YOLOv10, YOLO26 изначально является сквозной моделью. Она полностью устраняет постобработку с подавлением немаксимумов (NMS), значительно упрощая развертывание и существенно уменьшая вариативность задержки.
• До 43% более быстрый вывод на CPU: Благодаря целенаправленному удалению Distribution Focal Loss (DFL) модель становится гораздо легче. Эта оптимизация делает ее оптимальным 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 чрезвычайно стабильную динамику обучения и более быструю сходимость.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно улучшают распознавание небольших объектов — критически важную возможность для съемки с дронов и воздушного наблюдения.

Заключение и применения в реальном мире#

При выборе между PP-YOLOE+ и YOLO11 (или более новой YOLO26) решающим фактором становится экосистема развертывания.

PP-YOLOE+ особенно хорошо подходит для определенных промышленных сред, в частности для азиатских производственных центров, где оборудование тесно интегрировано с технологическим стеком Baidu и библиотекой PaddlePaddle. Она отлично подходит для анализа статических изображений, когда максимальный mAP является единственным приоритетом.

YOLO11 и YOLO26, однако, предлагают гораздо более универсальный подход, удобный для разработчиков. Благодаря меньшему количеству параметров и высокой скорости они идеально подходят для:

• Умная розничная торговля: Обработка видеопотоков в реальном времени для автоматизированной оплаты и управления запасами.
• Автономная робототехника: Обеспечение высокоскоростного обхода препятствий на встраиваемых устройствах с ограниченными ресурсами.
• Безопасность и наблюдение: Надежный многозадачный анализ, включая отслеживание и оценку позы, за один высокоэффективный проход вывода.

Для современных инженеров AI, которым нужны надежность, широкая поддержка сообщества и понятные конвейеры развертывания в такие форматы, как ONNX и TensorRT, экосистема Ultralytics остается бесспорным выбором.