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.
- 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+ 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.
Обзор YOLOv10#
Выпущенная исследователями Университета Цинхуа, YOLOv10 внесла значительные изменения в архитектуру, устранив 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: 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.
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.