Link to this sectionPP-YOLOE+ против YOLOv10#

Ландшафт компьютерного зрения постоянно меняется, и новые модели расширяют границы возможного в обнаружении объектов в реальном времени. В этом подробном техническом сравнении мы рассмотрим PP-YOLOE+ и YOLOv10 — две мощные архитектуры, разработанные для разных экосистем. Мы также исследуем, как рынок смещается в сторону более унифицированных и простых в использовании платформ, таких как Ultralytics Platform и современная модель YOLO26.

Link to this sectionВведение в модели#

Выбор подходящей основы для твоих проектов компьютерного зрения требует глубокого понимания архитектурных компромиссов каждой модели, ограничений при развертывании и поддержки экосистемы.

Link to this sectionОбзор PP-YOLOE+#

PP-YOLOE+, разработанная авторами PaddlePaddle из Baidu, является эволюционным шагом по сравнению с предыдущими итерациями в экосистеме PaddleDetection.

• Авторы: Авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: Репозиторий PaddleDetection
• Документация: Официальная документация PP-YOLOE+

Преимущества: PP-YOLOE+ отлично работает в средах, глубоко интегрированных с фреймворком PaddlePaddle. Она использует передовой бэкбон CSPRepResNet и эффективную стратегию назначения меток (TAL) для достижения впечатляющей средней точности (mAP). Она отлично оптимизирована для развертывания на GPU серверного уровня, которые часто используются в промышленных задачах в Азии.

Недостатки: Основной минус PP-YOLOE+ заключается в сильной зависимости от экосистемы PaddlePaddle, что может быть менее интуитивно понятно для разработчиков, привыкших к PyTorch. Кроме того, для постобработки требуется традиционное подавление немаксимумов (NMS), что увеличивает задержку и усложняет развертывание.

Узнай больше о PP-YOLOE+

Link to this sectionОбзор YOLOv10#

Модель YOLOv10, выпущенная исследователями из Университета Цинхуа, привнесла значительный архитектурный сдвиг, полностью исключив NMS из конвейера вывода.

• Авторы: Ао Ван, Хуэй Чен, Лихао Лю и др.
• Организация: Tsinghua University
• Дата: 2024-05-23
• Arxiv: https://arxiv.org/abs/2405.14458
• GitHub: YOLOv10 Repository
• Документация: Документация YOLOv10

Преимущества: Главная особенность YOLOv10 — согласованное двойное назначение для обучения без NMS. Это означает, что модель естественным образом предсказывает ограничивающие рамки без необходимости этапа вторичной фильтрации, что делает развертывание модели значительно проще и быстрее на периферийных устройствах. Она достигает отличного баланса между малым количеством параметров и высокой точностью.

Недостатки: Хотя YOLOv10 высокоэффективна для стандартного 2D-обнаружения объектов, она не имеет встроенной поддержки других важных задач компьютерного зрения, таких как сегментация экземпляров и оценка позы, что ограничивает её универсальность в сложных многозадачных конвейерах.

Узнай больше о YOLOv10

Link to this sectionСравнение производительности и метрик#

Понимание того, как эти модели работают в стандартных тестах, имеет решающее значение для выбора правильной архитектуры. Ниже представлено подробное сравнение их размера, точности и задержки.

Link to this sectionТехнический анализ#

При анализе данных вырисовываются ключевые тенденции. Модели YOLOv10 nano и small ориентированы на эффективность работы на периферии: YOLOv10n имеет всего 2,3 миллиона параметров и 6,7 млрд FLOPs. Такой легковесный дизайн в сочетании с архитектурой без NMS значительно сокращает задержку на платформах, использующих TensorRT и OpenVINO.

С другой стороны, PP-YOLOE+ демонстрирует сильные показатели в классах с большим весом: её вариант X-large немного опережает YOLOv10x по mAP (54,7% против 54,4%). Однако это достигается почти двойным увеличением количества параметров (98,42 млн против 56,9 млн), что делает YOLOv10x гораздо более эффективной моделью для сред с ограниченной памятью.

Link to this sectionПреимущества экосистемы Ultralytics#

Хотя и PP-YOLOE+, и YOLOv10 являются значительными техническими достижениями, современная ML-инженерия требует не только «сырой» архитектуры, но и качественно поддерживаемой экосистемы.

Ultralytics предоставляет лучший в индустрии Python SDK, который радикально упрощает сбор и разметку данных, обучение и развертывание. В сравнении с тяжеловесными исследовательскими фреймворками или старыми моделями на базе трансформеров, архитектуры Ultralytics потребляют значительно меньше памяти CUDA во время обучения, что позволяет использовать большие размеры батчей и ускоряет итерации. Более того, пакет Ultralytics предлагает огромную универсальность, поддерживая классификацию изображений, OBB (ориентированные ограничивающие рамки) и надежное отслеживание объектов сразу «из коробки».

Link to this sectionВстречай YOLO26: Новое поколение#

Выпущенная в январе 2026 года, Ultralytics YOLO26 представляет собой вершину эволюции компьютерного зрения, объединяя лучшие идеи таких моделей, как YOLOv10, при устранении их ограничений.

Ключевые инновации YOLO26:

• Сквозной дизайн без NMS: Развивая концепцию, впервые представленную в YOLOv10, YOLO26 является полноценным сквозным решением, полностью исключающим постобработку NMS для более быстрого и простого развертывания на различных аппаратных средствах.
• Удаление DFL: Благодаря исключению Distribution Focal Loss (DFL), архитектура модели максимально упрощена для экспорта, что гарантирует безупречную совместимость с маломощными периферийными устройствами ИИ.
• Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (таких как Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и значительно более высокую скорость сходимости.
• До 43% быстрее на CPU: Модель максимально оптимизирована для реальных условий и предлагает значительный прирост скорости для приложений, полагающихся на вычисления CPU, что делает её идеальной для умного видеонаблюдения и мобильного развертывания.
• ProgLoss + STAL: Эти улучшенные функции потерь кардинально повышают эффективность распознавания мелких объектов, что критически важно для аэросъемки и робототехники.
• Улучшения для конкретных задач: В отличие от YOLOv10, YOLO26 имеет встроенную поддержку многомасштабных proto для сегментации и оценки остаточного логарифмического правдоподобия (RLE) для оценки позы.

Узнай больше о YOLO26

Link to this sectionПрактическая реализация#

Начало работы с моделями Ultralytics сделано максимально простым. С помощью всего нескольких строк кода ты можешь запустить обучение, используя автоматическую настройку гиперпараметров и современные конвейеры аугментации данных.

from ultralytics import YOLO

# Load the highly recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# Memory usage is highly optimized compared to transformer architectures
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run an end-to-end NMS-free inference
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX or TensorRT for deployment
model.export(format="onnx", simplify=True)

Link to this sectionСценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLOv10 зависит от твоих конкретных требований к проекту, ограничений при развертывании и предпочтений в отношении экосистемы.

Link to this sectionКогда выбирать PP-YOLOE+#

PP-YOLOE+ — это сильный выбор в следующих случаях:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu PaddlePaddle.
• Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
• Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Link to this sectionКогда стоит выбрать YOLOv10#

YOLOv10 рекомендуется для:

• Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
• Приложений с постоянной задержкой: Сценарии развертывания, где критически важна предсказуемость времени вывода, например, в робототехнике или автономных системах.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionЗаключение#

PP-YOLOE+ остается надежным выбором для команд, привязанных к экосистеме Baidu и промышленным серверным средам. YOLOv10 представляет собой выдающееся академическое достижение, доказавшее жизнеспособность обнаружения в реальном времени без NMS.

Тем не менее, для разработчиков, которые ищут идеальное сочетание точности, молниеносной скорости вывода и безупречных многозадачных возможностей, Ultralytics YOLO26 является окончательным выбором. Её инновации в эффективности обучения и архитектура, ориентированная на периферийные устройства, делают её самым надежным и универсальным решением для промышленного компьютерного зрения в 2026 году и в дальнейшем.