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.
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: Репозиторий PaddleDetection
- Документация: Документация 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.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: Репозиторий Ultralytics на GitHub
- Документация: Официальная документация YOLO11
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.
| 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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
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.
- 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.
- 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.
- Универсальность: YOLO11 предлагает единую систему для решения множества задач компьютерного зрения, избавляя от необходимости изучать разные библиотеки для классификации, сегментации и детекции ограничивающих рамок.
- 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.