PP-YOLOE+ против YOLO26#

Сфера компьютерного зрения в реальном времени стремительно развивается под влиянием потребности в масштабируемых, эффективных и высокоточных моделях обнаружения объектов. Две выдающиеся архитектуры в этой области — PP-YOLOE+, мощный детектор из экосистемы PaddlePaddle, и Ultralytics YOLO26 — новейшая передовая модель, переосмысливающая развёртывание на периферийных устройствах и эффективность обучения.

В этом подробном руководстве сравниваются эти две модели: рассматриваются их архитектуры, метрики производительности, методики обучения и оптимальные варианты использования, чтобы ты мог принять обоснованное решение для своего следующего AI-проекта.

Технические характеристики и авторство#

Понимание происхождения и принципов проектирования этих моделей даёт важный контекст для их применения в реальных условиях.

Сведения 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 предшественника PP-YOLOv2, модель PP-YOLOE+ использует надёжную архитектуру, адаптированную для промышленных приложений. В ней применяются backbone CSPRepResNet и ET-head (эффективная голова, согласованная с задачей), обеспечивающие баланс между скоростью и точностью. PP-YOLOE+ использует динамическое назначение меток (TAL) и бесшовно интегрируется с фреймворком Baidu PaddlePaddle, что делает модель высокооптимизированной для NVIDIA GPU, таких как T4 и V100. Однако сильная зависимость от экосистемы PaddlePaddle может создавать сложности для разработчиков, привыкших к рабочим процессам на базе PyTorch.

Архитектура YOLO26: революция с приоритетом периферийных устройств#

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

Ключевые инновации YOLO26:

• Сквозная архитектура без NMS: YOLO26 изначально реализована как сквозная модель, полностью устраняющая необходимость в постобработке — подавлении немаксимумов (NMS). Этот прорыв, впервые предложенный в YOLOv10, обеспечивает стабильную задержку инференса независимо от плотности сцены, значительно упрощая развёртывание.
• Удаление DFL: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 существенно упрощает свою выходную голову. Это обеспечивает гораздо лучшую совместимость с периферийными устройствами и микроконтроллерами.
• До 43% более быстрый инференс на CPU: Благодаря удалению DFL и структурным оптимизациям YOLO26 значительно оптимизирована для сред без выделенных GPU и обеспечивает до 43% более высокую скорость инференса на CPU по сравнению с YOLO11.
• Оптимизатор MuSGD: Вдохновлённая передовыми методами обучения LLM, например разработками Moonshot AI, модель YOLO26 объединяет SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и более быструю сходимость в задачах компьютерного зрения.
• ProgLoss + STAL: Передовые функции потерь специально нацелены на распознавание малых объектов и улучшают его, что критически важно для работы дронов и периферийных IoT-сенсоров.

Производительность и метрики#

В таблице ниже подробно показано, как PP-YOLOE+ сравнивается с YOLO26 при разных размерах моделей. Модели YOLO26 явно превосходят конкурентов по чистой скорости, эффективности использования параметров и общей средней точности (mAP).

Примечание: полужирным выделены лучшие метрики среди всех моделей.

Анализ#

• Требования к памяти и эффективность: YOLO26 требует значительно меньше параметров и FLOPs для достижения более высоких значений mAP. Например, модель YOLO26n (Nano) достигает mAP 40.9 всего с 2.4M параметров, превосходя модель PP-YOLOE+t и занимая примерно вдвое меньше места. Это означает меньшее потребление памяти как во время обучения, так и при развёртывании.
• Скорость инференса: При экспорте с использованием TensorRT YOLO26 превосходит конкурентов по метрикам задержки. Удаление NMS гарантирует, что время инференса 1.7 мс на GPU T4 остаётся полностью стабильным, тогда как PP-YOLOE+ зависит от потенциально переменного времени постобработки.

Преимущества Ultralytics: экосистема и удобство использования#

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

1. Простота использования: Ultralytics скрывает сложный шаблонный код. Для обучения YOLO26 достаточно всего нескольких строк Python, без громоздких конфигурационных файлов, необходимых PP-YOLOE+.
2. Универсальность: PP-YOLOE+ — это в первую очередь архитектура для обнаружения объектов. YOLO26 из коробки поддерживает сегментацию, классификацию, оценку позы и OBB.
3. Эффективность обучения: Моделям Ultralytics YOLO требуется значительно меньше памяти CUDA по сравнению с громоздкими моделями на базе Transformer, такими как RT-DETR, и более старыми архитектурами, что позволяет исследователям обучать передовые модели на потребительском оборудовании.

Пример кода: обучение YOLO26#

Начать работу с Ultralytics очень просто. Ниже приведён полностью готовый к запуску пример, показывающий, как загрузить, обучить и проверить модель 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="auto",  # MuSGD is automatically engaged for YOLO26
)

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

Идеальные сценарии использования#

Когда выбирать PP-YOLOE+#

• Унаследованная инфраструктура PaddlePaddle: Если предприятие уже глубоко интегрировано в технологический стек Baidu и использует оборудование, предварительно настроенное для Paddle Inference, PP-YOLOE+ — безопасный и стабильный выбор.
• Азиатские производственные центры: Многие промышленные конвейеры компьютерного зрения в Азии имеют надёжную существующую поддержку PP-YOLOE+ для автоматизированного обнаружения дефектов.

Когда стоит выбрать YOLO26#

• Периферийные вычисления и IoT: Инференс на CPU на 43% быстрее и удаление DFL делают YOLO26 безусловным лидером для развёртывания на Raspberry Pis, 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 парковкой и мониторинге дорожного движения, где традиционный NMS создавал бы узкие места.
• Многозадачные проекты: Если твоему конвейеру требуется отслеживать объекты, оценивать позы людей или создавать маски с точностью до пикселя, YOLO26 справляется со всем этим в рамках одного унифицированного пакета Python.

Заключение#

Хотя PP-YOLOE+ остаётся высокоэффективным детектором в своей специализированной экосистеме, выпуск YOLO26 изменил парадигму. Объединив оптимизации обучения, вдохновлённые LLM (MuSGD), с безжалостно оптимизированной архитектурой без NMS, Ultralytics создала модель, которая одновременно обеспечивает высокую точность и легко разворачивается. Для современных разработчиков, ищущих лучший баланс скорости, точности и удобства работы, YOLO26 — однозначный выбор.