Начать

PP-YOLOE+ и YOLO26

Компьютерное зрение в реальном времени быстро развивается благодаря потребности в масштабируемых, эффективных и точных моделях обнаружения объектов. Среди заметных архитектур в этой области — PP-YOLOE+, детектор из экосистемы PaddlePaddle, и Ultralytics YOLO26, новейшая модель Ultralytics, созданная для развертывания на периферийных устройствах и эффективного обучения.

В этом руководстве сравниваются эти две модели: рассматриваются их архитектуры, показатели производительности, методы обучения и оптимальные сценарии применения, чтобы помочь тебе принять обоснованное решение для следующего проекта ИИ.

Технические характеристики и авторы#

История и принципы проектирования этих моделей помогают лучше понять их применение в реальных условиях.

Подробности о PP-YOLOE+:

Узнай больше о PP-YOLOE+

Сведения о YOLO26:

Архитектурные инновации#

Архитектура PP-YOLOE+#

Опираясь на PP-YOLOE и более раннюю PP-YOLOv2, PP-YOLOE+ предлагает надежную архитектуру для промышленных задач. В ней используются основа CSPRepResNet и голова ET (Efficient Task-aligned), которые обеспечивают баланс скорости и точности. PP-YOLOE+ применяет динамическое назначение меток (TAL) и тесно интегрирована с платформой PaddlePaddle от Baidu, благодаря чему хорошо оптимизирована для GPU NVIDIA, например T4 и V100. Однако сильная зависимость от экосистемы PaddlePaddle может создавать трудности разработчикам, работающим с PyTorch.

Архитектура YOLO26: для периферийных устройств#

Выпущенная в январе 2026 года, Ultralytics YOLO26 меняет архитектуру конвейера обнаружения объектов в реальном времени, уделяя особое внимание простоте развертывания и эффективности на периферийных устройствах.

Ключевые нововведения YOLO26:

  • Сквозная архитектура без NMS: YOLO26 поддерживает изначально сквозной инференс (nms=False), устраняя необходимость постобработки с подавлением немаксимумов (NMS). Этот подход, впервые реализованный в YOLOv10, обеспечивает стабильную задержку инференса независимо от загруженности сцены и значительно упрощает развертывание.
  • Удаление DFL: удаление Distribution Focal Loss (DFL) упрощает выходную голову YOLO26 и повышает совместимость модели с маломощными периферийными устройствами.
  • Инференс на CPU до 43% быстрее: благодаря удалению DFL и структурным оптимизациям YOLO26 подходит для сред без выделенных GPU, а YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n.
  • Оптимизатор MuSGD: вдохновленная передовыми методами обучения LLM, применяемыми, например, в Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает стабильное обучение и быструю сходимость в задачах компьютерного зрения.
  • ProgLoss + STAL: Progressive Loss и назначение меток с учетом небольших объектов специально направлены на улучшение распознавания мелких объектов, что важно для периферийных датчиков Интернета вещей и изображений с дронов, например в наборе данных VisDrone.
Улучшения YOLO26 для отдельных задач

Помимо стандартных ограничивающих рамок, YOLO26 предлагает специальные улучшения для всех задач компьютерного зрения. Для сегментации используются функция потерь семантической сегментации и многоуровневое прототипирование, для оценки позы — оценка остаточного логарифмического правдоподобия (RLE), а для устранения проблем с границами при детекции ориентированных ограничивающих рамок (OBB) — специализированная функция потерь угла.

Производительность и метрики#

В таблице ниже подробно сравниваются PP-YOLOE+ и YOLO26 для моделей разных размеров. Модели YOLO26 лидируют по чистой скорости, эффективности использования параметров и общей средней точности (mAP).

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Примечание: полужирным выделена метрика, показывающая лучший результат в каждой паре моделей одинакового размера.

Анализ#

  • Требования к памяти и эффективность: YOLO26 требует значительно меньше параметров и FLOPs для достижения более высоких показателей mAP. Например, модель YOLO26n (Nano) достигает mAP 40,9, используя всего 2,4 млн параметров, и превосходит PP-YOLOE+t, будучи примерно вдвое меньше. Это позволяет снизить использование памяти как при обучении, так и при развертывании.
  • Скорость инференса: при экспорте с помощью TensorRT YOLO26 лидирует по показателям задержки. Голова one-to-one без NMS (nms=False, используемая в этих тестах) обеспечивает стабильное время инференса 1.7 мс на GPU T4, тогда как у PP-YOLOE+ время постобработки может меняться.

Преимущества Ultralytics: экосистема и простота использования#

Хотя чистые показатели производительности важны, успех проекта часто зависит от удобства работы разработчика. Ultralytics Platform предлагает хорошо поддерживаемую экосистему, с которой гораздо проще работать, чем с платформами предыдущих поколений.

  1. Простота использования: Ultralytics избавляет от сложного шаблонного кода. Для обучения YOLO26 достаточно нескольких строк Python — не нужны объемные файлы конфигурации, которые требует PP-YOLOE+.
  2. Универсальность: PP-YOLOE+ — это преимущественно архитектура для детекции объектов. YOLO26 из коробки поддерживает сегментацию, классификацию, оценку позы и OBB.
  3. Эффективность обучения: моделям Ultralytics YOLO требуется значительно меньше памяти CUDA, чем громоздким трансформерным моделям, например RT-DETR, и более старым архитектурам, поэтому исследователи могут обучать точные модели на обычном пользовательском оборудовании.
Другие модели Ultralytics

Хотя по умолчанию рекомендуется YOLO26, экосистема Ultralytics также включает YOLO11 и YOLOv8. Обе модели остаются эффективными и пользуются широкой поддержкой сообщества, поэтому подходят тем, кто поддерживает существующие системы.

Пример кода: обучение YOLO26#

Начать работу с Ultralytics просто. Вот готовый к запуску пример загрузки, обучения и экспорта модели YOLO26:

from ultralytics import YOLO

# Load the YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer="MuSGD",  # hybrid SGD + Muon optimizer
)

# Export to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")

Оптимальные сценарии применения#

Когда выбирать PP-YOLOE+#

  • Устаревшая инфраструктура PaddlePaddle: Если предприятие уже глубоко интегрировано в технологический стек Baidu и использует оборудование, предварительно настроенное для Paddle Inference, PP-YOLOE+ — надежный и стабильный выбор.
  • Существующие производственные линии на Paddle: промышленные конвейеры компьютерного зрения, которые уже используют PP-YOLOE+ для автоматического обнаружения дефектов, могут продолжать работать с привычными инструментами.

Когда выбирать YOLO26#

  • Периферийные вычисления и Интернет вещей: благодаря инференсу на CPU до 43% быстрее (YOLO26n по сравнению с YOLO11n) и удалению DFL YOLO26 отлично подходит для развертывания на платах Raspberry Pi, мобильных телефонах и встроенных устройствах.
  • Загруженные сцены и умные города: архитектура без NMS со сквозной обработкой обеспечивает стабильную задержку в насыщенной среде, например при управлении парковками и мониторинге дорожного движения, где традиционный NMS создавал бы узкие места.
  • Проекты с несколькими задачами: если в твоем конвейере нужно отслеживать объекты, оценивать позы людей или создавать точные маски сегментации, YOLO26 справится со всем этим в рамках единого пакета Python.

Заключение#

PP-YOLOE+ остается эффективным детектором в своей экосистеме, но YOLO26 поднимает планку обнаружения объектов в реальном времени. Объединив оптимизации обучения, вдохновленные LLM (MuSGD), с оптимизированной архитектурой без NMS, Ultralytics создала одновременно высокоточную и простую в развертывании модель. Разработчикам, которым нужен оптимальный баланс скорости, точности и удобства работы, рекомендуется YOLO26.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.