PP-YOLOE+ и YOLO26#

Сфера компьютерного зрения реального времени стремительно развивается из-за потребности в масштабируемых, эффективных и высокоточных моделях детекции объектов. Среди заметных архитектур в этой области — PP-YOLOE+, мощный детектор из экосистемы PaddlePaddle, и Ultralytics YOLO26 — новейшая передовая модель, меняющая подход к развертыванию на периферийных устройствах и повышающая эффективность обучения.

В этом подробном руководстве сравниваются две модели: рассматриваются их архитектуры, метрики производительности, методы обучения и оптимальные сценарии использования, чтобы помочь тебе принять обоснованное решение для следующего проекта в области ИИ.

Технические характеристики и авторы#

Понимание происхождения этих моделей и заложенных в них принципов проектирования дает важный контекст для их применения 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+

Узнай больше о 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+#

Созданная на основе предшественницы PP-YOLOv2, PP-YOLOE+ отличается надежной архитектурой, разработанной для промышленного применения. В ней используются базовая сеть CSPRepResNet и голова ET (эффективная голова, согласованная с задачей), чтобы сбалансировать скорость и точность. PP-YOLOE+ использует динамическое назначение меток (TAL) и легко интегрируется с фреймворком PaddlePaddle компании Baidu, благодаря чему модель хорошо оптимизирована для GPU NVIDIA, например T4 и V100. Однако сильная зависимость от экосистемы PaddlePaddle может создать трудности для разработчиков, работающих с PyTorch.

Архитектура YOLO26: революция с приоритетом периферийных устройств#

Выпущенная в начале 2026 года, Ultralytics YOLO26 полностью переосмысливает конвейер детекции в реальном времени, уделяя особое внимание простоте развертывания и эффективности на периферийных устройствах.

Ключевые нововведения YOLO26:

• Сквозная архитектура без NMS: YOLO26 поддерживает нативную сквозную инференцию (nms=False), исключая необходимость постобработки с помощью подавления немаксимумов (NMS). Этот прорыв, впервые реализованный в YOLOv10, обеспечивает постоянную задержку инференции независимо от плотности объектов в сцене и значительно упрощает развертывание.
• Удаление DFL: Удалив функцию потерь с фокальным распределением (DFL), YOLO26 значительно упрощает выходную голову. Благодаря этому модель гораздо лучше совместима с периферийными устройствами и микроконтроллерами.
• Инференция на CPU до 43% быстрее: Благодаря удалению DFL и структурным оптимизациям YOLO26 отлично подходит для сред без выделенных GPU: инференция на CPU выполняется до 43% быстрее, чем у YOLO11.
• Оптимизатор MuSGD: Вдохновленная передовыми методами обучения LLM, в частности подходами Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и более быструю сходимость в задачах компьютерного зрения.
• ProgLoss + STAL: Передовые функции потерь специально нацелены на улучшение распознавания мелких объектов, что критически важно для работы дронов и периферийных датчиков IoT.

Производительность и метрики#

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

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 инференции: При экспорте с помощью TensorRT YOLO26 лидирует по показателям задержки. Голова без NMS с назначением один к одному (nms=False, использованная для этих сравнительных тестов) обеспечивает стабильное время инференции 1,7 мс на GPU T4, тогда как время постобработки PP-YOLOE+ может меняться.

Преимущества Ultralytics: экосистема и простота использования#

Хотя чистые метрики важны, успех проекта часто определяет удобство работы разработчика. Платформа Ultralytics предлагает хорошо поддерживаемую экосистему, которая значительно превосходит более старые фреймворки.

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: Для обучения моделей Ultralytics YOLO требуется гораздо меньше памяти CUDA, чем для громоздких трансформерных моделей, таких как RT-DETR, и более старых архитектур. Благодаря этому исследователи могут обучать передовые модели на обычном потребительском оборудовании.

Пример кода: обучение YOLO26#

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

from ultralytics import YOLO

# Load the cutting-edge 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 seamlessly 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.
• Производственные центры Азии: Многие промышленные конвейеры компьютерного зрения в Азии уже хорошо поддерживают PP-YOLOE+ для автоматизированного обнаружения дефектов.

Когда выбирать YOLO26#

• Периферийные вычисления и IoT: Инференция на CPU на 43% быстрее и удаление DFL делают YOLO26 бесспорным лидером для развертывания на Raspberry Pi, мобильных телефонах и встраиваемых устройствах.
• Переполненные сцены и умные города: Архитектура без NMS со сквозной обработкой гарантирует стабильную задержку в условиях высокой плотности объектов, например при управлении парковками и мониторинге дорожного движения, где традиционная NMS создавала бы узкие места.
• Многозадачные проекты: Если в твоем конвейере требуется отслеживать объекты, оценивать позы людей или создавать маски с точностью до пикселя, YOLO26 справится со всем этим в рамках единого пакета Python.

Заключение#

Хотя PP-YOLOE+ остается мощным детектором в рамках своей экосистемы, выпуск YOLO26 изменил ситуацию. Объединив оптимизации обучения, вдохновленные LLM (MuSGD), с тщательно оптимизированной архитектурой без NMS, Ultralytics создала модель, которая одновременно высокоточна и проста в развертывании. Для современных разработчиков, которым нужен оптимальный баланс скорости, точности и удобства разработки, YOLO26 — очевидный выбор.