Link to this sectionГлубокое погружение в обнаружение объектов в реальном времени: PP-YOLOE+ против YOLO11#

Ландшафт компьютерного зрения постоянно развивается, движимый потребностью в более быстрых, точных и эффективных моделях. Для разработчиков и исследователей, решающих задачи обнаружения объектов, выбор правильной архитектуры имеет решающее значение. В этом всестороннем сравнении мы изучим нюансы двух известных моделей: PP-YOLOE+ и Ultralytics YOLO11.

Разбирая их архитектуры, показатели производительности и идеальные варианты использования, это руководство поможет тебе получить знания, необходимые для принятия обоснованного решения для твоего следующего развертывания машинного обучения.

Link to this sectionПроисхождение моделей и технический обзор#

Обе модели выросли из серьезных академических исследований и обширной инженерной работы, но они происходят из совершенно разных экосистем. Давай взглянем на фундаментальные детали каждой модели.

Link to this sectionОбзор PP-YOLOE+#

Разработанная исследователями Baidu, модель PP-YOLOE+ является итерацией более ранней PP-YOLOE, созданной для расширения границ обнаружения 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+

Link to this sectionОбзор YOLO11#

YOLO11, созданная Ultralytics, представляет собой значительный скачок вперед в удобстве использования и точности. Она опирается на наследие высокоэффективных архитектур, оптимизируя опыт разработчика для беспрепятственной работы и многозадачности.

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

Узнай больше о YOLO11

Link to this sectionАрхитектурное сравнение и сравнение производительности#

При сравнении этих двух детекторов мы должны смотреть дальше «сухих» цифр и понять, как их архитектурный выбор влияет на реальное развертывание модели.

Link to this sectionАрхитектура PP-YOLOE+#

PP-YOLOE+ сильно полагается на фреймворк PaddlePaddle. Она представляет мощную парадигму без анкоров (anchor-free), используя бэкбон RepResNet и модифицированную сеть Path Aggregation Network (PAN). Вариант «+» улучшил предшественника за счет включения предварительного обучения на крупномасштабных наборах данных (таких как Objects365) и улучшенного TaskAlignedAssigner. Хотя модель достигает высокого среднего значения средней точности (mAP), жесткая зависимость от PaddlePaddle может создать трудности для команд, привыкших к средам PyTorch или TensorFlow.

Link to this sectionАрхитектура YOLO11#

Ultralytics YOLO11 построена нативно на PyTorch, отраслевом стандарте современного глубокого обучения. Ее архитектура сильно сфокусирована на балансе производительности, достигая выгодного компромисса между скоростью и точностью, подходящего для различных реальных сценариев развертывания. YOLO11 оснащена оптимизированным модулем C3k2 для лучшего градиентного потока и развязанной «головой» (decoupled head), которая эффективно обрабатывает задачи классификации и регрессии по отдельности. Кроме того, YOLO11 спроектирована для снижения требований к памяти, демонстрируя значительно меньшее использование памяти во время обучения и вывода по сравнению со сложными моделями на базе Transformer, такими как RT-DETR.

Link to this sectionТаблица показателей производительности#

Следующая таблица подчеркивает различия в производительности для различных масштабов моделей. Заметь, как YOLO11 в целом достигает сопоставимого или лучшего mAP, значительно сокращая количество параметров и FLOPs.

Link to this sectionСценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLO11 зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда выбирать PP-YOLOE+#

PP-YOLOE+ — это сильный выбор в следующих случаях:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu PaddlePaddle.
• Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
• Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Link to this sectionКогда выбирать YOLO11#

YOLO11 рекомендуется для:

• Производственного развертывания на периферии: коммерческих приложений на устройствах типа Raspberry Pi или NVIDIA Jetson, где надежность и активная поддержка имеют первостепенное значение.
• Многозадачных приложений компьютерного зрения: проектов, требующих детектирования, сегментации, оценки позы и OBB в рамках одной унифицированной среды.
• Быстрого прототипирования и развертывания: команд, которым нужно быстро перейти от сбора данных к производству, используя оптимизированный Python API Ultralytics.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionПреимущество Ultralytics#

Хотя академические бенчмарки важны, долгосрочный успех ИИ-проекта сильно зависит от экосистемы вокруг модели. Платформа Ultralytics предлагает явные преимущества как для разработчиков, так и для предприятий.

1. Простота использования: Ultralytics абстрагирует сложности глубокого обучения. Улучшенный пользовательский интерфейс и простой Python API позволяют разработчикам обучать пользовательские модели всего несколькими строками кода. Это контрастирует со сложными конфигурационными файлами, часто требуемыми для PP-YOLOE+.
2. Хорошо поддерживаемая экосистема: В отличие от многих репозиториев, предназначенных только для исследований, экосистема Ultralytics активно развивается. Она может похвастаться сильной поддержкой сообщества, частыми обновлениями и обширной интеграцией с такими инструментами, как Weights & Biases и Comet ML.
3. Универсальность: YOLO11 предоставляет единый унифицированный фреймворк для множества задач компьютерного зрения, устраняя необходимость изучать разные библиотеки для классификации, сегментации или обнаружения с помощью ограничивающих рамок.
4. Эффективность обучения: Эффективные процессы обучения моделей YOLO экономят как время, так и вычислительные затраты. Используя предварительно обученные веса на наборе данных COCO, модели быстро сходятся даже на потребительском оборудовании.

Link to this sectionСравнение кода обучения#

Чтобы проиллюстрировать простоту использования, вот как ты можешь обучить современную модель YOLO11. Она автоматически обрабатывает все данные аугментации, логирование и оркестрацию оборудования:

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 ручного управления сложными XML-конфигурациями и выполнения длинных командных строк, что может замедлить циклы гибкой разработки.

Link to this sectionВзгляд в будущее: появление YOLO26#

Хотя YOLO11 остается исключительно мощным инструментом, область ИИ движется быстро. Выпущенная в январе 2026 года, YOLO26 представляет собой абсолютный передний край линейки Ultralytics и является рекомендуемой моделью для всех новых проектов.

YOLO26 представляет несколько революционных инноваций:

• Сквозной дизайн без NMS: Основываясь на концепциях, впервые предложенных в YOLOv10, YOLO26 является нативно сквозной моделью. Она полностью исключает пост-обработку Non-Maximum Suppression (NMS), что делает развертывание намного проще и значительно снижает вариативность задержки.
• До 43% быстрее при выводе на CPU: Благодаря стратегическому удалению Distribution Focal Loss (DFL) модель становится намного легче. Эта оптимизация делает ее главным выбором для периферийных вычислений и маломощных устройств IoT.
• Оптимизатор MuSGD: YOLO26 привносит инновации обучения LLM в компьютерное зрение. Используя оптимизатор MuSGD (гибрид SGD и Muon), она достигает высокостабильной динамики обучения и более быстрой сходимости.
• ProgLoss + STAL: Эти продвинутые функции потерь дают заметные улучшения в распознавании мелких объектов — критически важная функция для съемки с дронов и воздушного наблюдения.

Link to this sectionЗаключение и реальные приложения#

При выборе между PP-YOLOE+ и YOLO11 (или более новой YOLO26) выбор зависит от твоей экосистемы развертывания.

PP-YOLOE+ блистает в специфических промышленных средах, особенно в азиатских производственных центрах, где оборудование глубоко интегрировано со стеком технологий Baidu и библиотекой PaddlePaddle. Она отлично подходит для анализа статических изображений, где максимальный mAP является единственным приоритетом.

YOLO11 и YOLO26, однако, предлагают гораздо более универсальный и дружелюбный к разработчикам подход. Их меньшее количество параметров и высокая скорость делают их идеальными для:

• Умная розница: Обработка видеопотоков в реальном времени для автоматизированной кассы и управления запасами.
• Автономная робототехника: Обеспечение высокоскоростного избегания препятствий на встроенных устройствах с ограниченными ресурсами.
• Безопасность и наблюдение: Обеспечение надежного многозадачного анализа (например, трекинг и оценка позы) за один, высокоэффективный проход вывода.

Для современных инженеров ИИ, ищущих надежность, обширную поддержку сообщества и прямолинейные конвейеры развертывания в такие форматы, как ONNX и TensorRT, экосистема Ultralytics остается бесспорным выбором.