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+:
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2 апреля 2022 года
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: Репозиторий PaddleDetection
- Документация: Документация PP-YOLOE+
Сведения о YOLO26:
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 14 января 2026 года
- GitHub: Репозиторий Ultralytics
- Документация: Документация 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.
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).
| 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 |
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
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.
- Простота использования: Ultralytics избавляет от сложного шаблонного кода. Для обучения YOLO26 достаточно нескольких строк Python — не нужны объемные файлы конфигурации, которые требует PP-YOLOE+.
- Универсальность: PP-YOLOE+ — это преимущественно архитектура для детекции объектов. YOLO26 из коробки поддерживает сегментацию, классификацию, оценку позы и OBB.
- 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.
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.