Начать

PP-YOLOE+ и YOLOv10

Компьютерное зрение продолжает развиваться, а новые модели улучшают обнаружение объектов в реальном времени. В этом техническом сравнении рассматриваются PP-YOLOE+ и YOLOv10 — две эффективные архитектуры для разных экосистем. Здесь также объясняется, как отрасль переходит к унифицированным и простым в использовании инструментам, таким как Ultralytics Platform и модель YOLO26.

Знакомство с моделями#

Чтобы выбрать подходящую основу для своих проектов в области компьютерного зрения, нужно четко понимать компромиссы в архитектуре каждой модели, ограничения развертывания и поддержку экосистемы.

Обзор PP-YOLOE+#

Созданная авторами PaddlePaddle из Baidu, PP-YOLOE+ представляет собой следующий этап развития моделей в экосистеме PaddleDetection.

Преимущества: PP-YOLOE+ эффективна в средах, тесно интегрированных с платформой PaddlePaddle. В ней используется основа CSPRepResNet и стратегия назначения меток с выравниванием по задачам (TAL), что обеспечивает высокую среднюю точность (mAP). Модель оптимизирована для развертывания на серверных GPU, распространенных в промышленности.

Недостатки: главный минус PP-YOLOE+ — сильная зависимость от экосистемы PaddlePaddle, которая может быть менее интуитивной для разработчиков, привыкших к PyTorch. Кроме того, для постобработки требуется традиционный метод подавления немаксимумов (NMS), увеличивающий задержку и усложняющий развертывание.

Узнай больше о PP-YOLOE+

Обзор YOLOv10#

Выпущенная исследователями Университета Цинхуа, YOLOv10 внесла значительные изменения в архитектуру, устранив NMS из конвейера инференса.

Преимущества: главная особенность YOLOv10 — согласованное двойное назначение объектов для обучения без NMS. Благодаря этому модель изначально предсказывает ограничивающие рамки без дополнительного этапа фильтрации, что значительно упрощает и ускоряет развертывание модели на периферийных устройствах. Модель хорошо сочетает небольшое число параметров и высокую точность.

Недостатки: несмотря на высокую эффективность в стандартном 2D-обнаружении объектов, YOLOv10 изначально не поддерживает другие важные задачи компьютерного зрения, например сегментацию экземпляров и оценку позы, что ограничивает ее универсальность в сложных конвейерах с несколькими задачами.

Подробнее о YOLOv10

Рассматриваешь продвинутые альтернативы?

Если ты изучаешь последние инновации в области обнаружения объектов в реальном времени, рассмотри YOLO11 или трансформерную модель RT-DETR для задач компьютерного зрения, требующих высокой точности.

Сравнение производительности и метрик#

Для выбора подходящей архитектуры важно понимать, как модели показывают себя в стандартизированных тестах. В таблице ниже сравниваются их размер, точность и задержка.

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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

Технический анализ#

При анализе данных видны несколько ключевых тенденций. Нано- и компактные модели YOLOv10 рассчитаны на эффективную работу на периферийных устройствах: YOLOv10n использует всего 2.3 миллиона параметров и 6.7B FLOPs. Такая легкая архитектура в сочетании с отсутствием NMS значительно сокращает задержку на платформах с TensorRT и OpenVINO.

В свою очередь, PP-YOLOE+ демонстрирует высокие результаты в крупных классах моделей: вариант X-large незначительно превосходит YOLOv10x по mAP (54,7% против 54,4%). Однако за это приходится платить более чем втрое большим количеством параметров (98,42M против 29,5M), поэтому YOLOv10x гораздо эффективнее в средах с ограниченной памятью.

Преимущества экосистемы Ultralytics#

Хотя PP-YOLOE+ и YOLOv10 впечатляют техническими достижениями, для современной разработки ML недостаточно одной лишь архитектуры — нужна экосистема, за которой следят и которую поддерживают.

Ultralytics предлагает пакет Python, который значительно упрощает сбор и разметку данных, обучение и развертывание. По сравнению с громоздкими исследовательскими платформами и старыми трансформерными моделями архитектурам Ultralytics при обучении требуется лишь небольшая часть памяти CUDA, что позволяет использовать более крупные размеры пакетов и быстрее проводить итерации. Пакет Ultralytics также универсален и из коробки поддерживает классификацию изображений, OBB (ориентированные ограничивающие рамки) и надежное отслеживание объектов.

Встречай YOLO26: новое поколение#

Выпущенная в январе 2026 года, Ultralytics YOLO26 объединяет лучшие идеи моделей вроде YOLOv10 и при этом устраняет их ограничения.

Ключевые инновации YOLO26:

  • Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 предлагает дополнительную сквозную голову (nms=False), исключающую постобработку с NMS для более быстрого и простого развёртывания на разных типах оборудования.
  • Удаление DFL: удаление Distribution Focal Loss (DFL) упрощает экспорт модели и повышает ее совместимость с маломощными периферийными устройствами с ИИ.
  • Оптимизатор MuSGD: вдохновленная методами обучения больших языковых моделей, например Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon. Это обеспечивает стабильное обучение и значительно ускоряет сходимость.
  • Инференс на CPU до 43% быстрее: YOLO26n оптимизирована для реальных сценариев и до 43% быстрее YOLO11n в приложениях, использующих вычислительные ресурсы CPU, поэтому модель хорошо подходит для умного видеонаблюдения и развертывания на мобильных устройствах.
  • ProgLoss + STAL: прогрессивная функция потерь и стратегия назначения меток с учетом небольших объектов значительно улучшают распознавание мелких объектов — важный фактор для аэросъемки и робототехники.
  • Улучшения для отдельных задач: В отличие от YOLOv10, YOLO26 изначально поддерживает многомасштабный прототип для сегментации и Residual Log-Likelihood Estimation (RLE) для оценки позы.

Практическая реализация#

Начать работу с моделями Ultralytics просто. Всего несколько строк кода — и ты запустишь обучение с использованием современных конвейеров аугментации данных.

from ultralytics import YOLO

# Загружаем настоятельно рекомендуемую модель YOLO26
model = YOLO("yolo26n.pt")

# Обучи модель на датасете COCO8
# По сравнению с архитектурами на базе Transformer использование памяти значительно оптимизировано
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Запускаем сквозной инференс без NMS
inference_results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируем напрямую в ONNX или TensorRT для развертывания
model.export(format="onnx", simplify=True)

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLOv10 зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении 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 YOLOv10#

YOLOv10 рекомендуется для таких задач:

  • Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
  • Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
  • Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

  • 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 GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное преимущество.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Заключение#

PP-YOLOE+ остается надежным вариантом для команд, работающих в экосистеме Baidu и промышленных серверных средах. YOLOv10 — важная академическая веха, доказавшая жизнеспособность обнаружения объектов без NMS в реальном времени.

Однако разработчикам, которым нужно оптимальное сочетание точности, быстрого инференса и возможностей решения нескольких задач, рекомендуется Ultralytics YOLO26. Благодаря инновациям в эффективности обучения и приоритетной поддержке периферийных устройств это надежное и универсальное решение для компьютерного зрения промышленного уровня.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.