PP-YOLOE+ против YOLOv10: Обзор архитектур обнаружения объектов в реальном времени

Ландшафт компьютерного зрения постоянно развивается, новые модели расширяют границы возможного в обнаружении объектов в реальном времени. В этом всестороннем техническом сравнении мы рассмотрим PP-YOLOE+ и YOLOv10, две высокопроизводительные архитектуры, разработанные для разных экосистем. Мы также рассмотрим, как общий ландшафт смещается в сторону более унифицированных, простых в использовании платформ, таких как Ultralytics Platform и передовая модель YOLO26.

Введение в модели

Выбор правильной основы для ваших проектов компьютерного зрения требует глубокого понимания архитектурных компромиссов каждой модели, ограничений развертывания и поддержки экосистемы.

Обзор PP-YOLOE+

Разработанный авторами PaddlePaddle в Baidu, PP-YOLOE+ представляет собой эволюционный шаг 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+ превосходно работает в средах, глубоко интегрированных с фреймворком PaddlePaddle. Он использует усовершенствованную архитектуру CSPRepResNet и опирается на мощную стратегию присвоения меток (TAL) для достижения впечатляющей средней точности (mAP). Он высоко оптимизирован для развертывания на серверных GPU, широко используемых в промышленных приложениях по всей Азии.

Недостатки: Основным недостатком PP-YOLOE+ является сильная зависимость 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.

Узнайте больше о PP-YOLOE+

Обзор YOLOv10

Выпущенный исследователями Университета Цинхуа, YOLOv10 принес значительный сдвиг в архитектурной парадигме, исключив NMS из конвейера инференса.

• Авторы: Ao Wang, Hui Chen, Lihao Liu, и др.
• Организация:Университет Цинхуа
• Дата: 2024-05-23
• Arxiv:https://arxiv.org/abs/2405.14458
• GitHub:Репозиторий YOLOv10
• Документация:Документация YOLOv10

Преимущества: Выдающейся особенностью YOLOv10 является его согласованное двойное присвоение для обучения без NMS. Это означает, что модель изначально предсказывает ограничивающие рамки без необходимости вторичного шага фильтрации, что значительно упрощает и ускоряет развертывание модели на периферийных устройствах. Он достигает отличного баланса между малым количеством параметров и высокой точностью.

Недостатки: Хотя YOLOv10 высокоэффективен для стандартного 2D обнаружения объектов, ему не хватает нативной поддержки других жизненно важных задач компьютерного зрения, таких как сегментация экземпляров и оценка позы, что ограничивает его универсальность в сложных многозадачных конвейерах.

Узнайте больше о YOLOv10

Сравнение производительности и метрик

Понимание того, как эти модели работают в условиях стандартизированных бенчмарков, крайне важно для выбора правильной архитектуры. Ниже приведено подробное сравнение их размера, точности и задержки.

Технический анализ

При анализе данных выявляется несколько ключевых тенденций. Модели YOLOv10 nano и small агрессивно нацелены на эффективность на периферийных устройствах, при этом YOLOv10n может похвастаться всего 2,3 миллионами параметров и 6,7B FLOPs. Эта легкая конструкция в сочетании с архитектурой без NMS значительно снижает задержку на платформах, использующих TensorRT и OpenVINO.

Напротив, PP-YOLOE+ демонстрирует высокую производительность в классах с большим весом, при этом его X-large вариант незначительно превосходит YOLOv10x по mAP (54,7% против 54,4%). Однако это достигается за счет почти удвоенного количества параметров (98,42 млн против 56,9 млн), что делает YOLOv10x значительно более эффективной моделью для сред с ограниченной памятью.

Преимущество экосистемы Ultralytics

Хотя PP-YOLOE+ и YOLOv10 предлагают впечатляющие технические достижения, современная ML-инженерия требует большего, чем просто сырая архитектура; она требует хорошо поддерживаемой экосистемы.

Ultralytics предоставляет ведущий в отрасли python SDK, который значительно упрощает сбор и аннотирование данных, обучение и развертывание. По сравнению с тяжелыми исследовательскими фреймворками или старыми моделями-трансформерами, архитектуры Ultralytics требуют лишь малую часть памяти CUDA во время обучения, что позволяет использовать большие размеры пакетов и более быстрые итерации. Кроме того, набор инструментов Ultralytics предлагает огромную универсальность, поддерживая классификацию изображений, OBB (ориентированные ограничивающие рамки) и надежное отслеживание объектов «из коробки».

Представляем YOLO26: Следующее поколение

Выпущенный в январе 2026 года, Ultralytics YOLO26 представляет собой вершину эволюции компьютерного зрения, объединяя лучшие наработки моделей, таких как YOLOv10, и устраняя их ограничения.

Ключевые нововведения YOLO26:

• Сквозная архитектура без NMS: Основываясь на концепции, впервые примененной в YOLOv10, YOLO26 изначально является сквозной (end-to-end) системой, полностью исключающей постобработку NMS для более быстрого и простого развертывания на различном оборудовании.
• Удаление DFL: Удаление Distribution Focal Loss (DFL) значительно упрощает архитектуру модели для экспорта, обеспечивая безупречную совместимость с маломощными периферийными устройствами ИИ.
• Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (такими как Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon. Это обеспечивает беспрецедентную стабильность обучения и значительно более быстрые темпы сходимости.
• До 43% более быстрый инференс на CPU: Значительно оптимизированный для реальных сценариев, YOLO26 обеспечивает огромные ускорения для приложений, использующих вычисления на CPU, что делает его идеальным для умного видеонаблюдения и мобильных развертываний.
• ProgLoss + STAL: Эти улучшенные функции потерь значительно повышают производительность в распознавании мелких объектов, что является критически важным фактором для аэрофотосъемки и робототехники.
• Специализированные улучшения: В отличие от YOLOv10, YOLO26 нативно поддерживает многомасштабный прототип для сегментации и оценку остаточного логарифмического правдоподобия (RLE) для оценки позы.

Узнайте больше о YOLO26

Практическая реализация

Начало работы с моделями Ultralytics разработано так, чтобы быть максимально простым. Всего несколькими строками кода вы можете запустить процесс обучения, 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)

Сценарии использования и рекомендации

Выбор между PP-YOLOE+ и YOLOv10 зависит от конкретных требований вашего проекта, ограничений развертывания и предпочтений экосистемы.

Когда следует выбирать PP-YOLOE+

PP-YOLOE+ является отличным выбором для:

• Интеграция с экосистемой PaddlePaddle: Для организаций с существующей инфраструктурой, построенной на фреймворке и инструментарии Baidu PaddlePaddle.
• Развертывание Paddle Lite на периферийных устройствах: Развертывание на аппаратном обеспечении с высокооптимизированными ядрами вывода специально для механизма вывода Paddle Lite или Paddle.
• Высокоточное серверное обнаружение: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, и зависимость от фреймворка не является проблемой.

Когда выбирать YOLOv10

YOLOv10 рекомендуется для:

• Обнаружение в реальном времени без NMS: Приложения, выигрывающие от сквозного обнаружения без Non-Maximum Suppression, что снижает сложность развертывания.
• Сбалансированный компромисс между скоростью и точностью: Проекты, требующие оптимального баланса между скоростью инференса и точностью обнаружения для моделей различных масштабов.
• Приложения с предсказуемой задержкой: Сценарии развертывания, где критически важны предсказуемые времена инференса, например, в робототехнике или автономных системах.

Когда выбирать Ultralytics (YOLO26)

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

• Развертывание на периферии без NMS: Приложения, требующие стабильного вывода с низкой задержкой без сложности постобработки методом Non-Maximum Suppression.
• Среды только с CPU: Устройства без выделенного ускорения GPU, где до 43% более быстрая инференция YOLO26 на CPU обеспечивает решающее преимущество.
• Обнаружение мелких объектов: Сложные сценарии, такие как аэрофотосъемка с дронов или анализ данных с IoT-датчиков, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Заключение

PP-YOLOE+ остается надежным вариантом для команд, привязанных к экосистеме Baidu и промышленным серверным средам. YOLOv10 представляет собой блестящую академическую веху, доказавшую жизнеспособность бе NMS-свободного обнаружения в реальном времени.

Однако для разработчиков, которым требуется идеальное сочетание точности, молниеносной скорости инференса и бесшовных многозадачных возможностей, Ultralytics YOLO26 является окончательным выбором. Его инновации в эффективности обучения и архитектуре развертывания, ориентированной на периферийные устройства, гарантируют, что он остается самым надежным и универсальным решением для компьютерного зрения производственного уровня в 2026 году и в последующий период.

Комментарии