PP-YOLOE+ против YOLOv10#

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

Введение в модели#

Выбор правильной основы для твоих computer vision projects требует глубокого понимания архитектурных компромиссов, ограничений развертывания и поддержки экосистем для каждой модели.

Обзор 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: PaddleDetection Repository
• Документация: PP-YOLOE+ Official Documentation

Сильные стороны: PP-YOLOE+ превосходно работает в средах, глубоко интегрированных с PaddlePaddle framework. Модель представляет усовершенствованный бэкбон CSPRepResNet и опирается на мощную стратегию назначения меток (TAL) для достижения впечатляющей mean Average Precision (mAP). Она высоко оптимизирована для развертывания на GPU серверного класса, которые часто применяются в промышленных задачах по всей 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+

Обзор 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: YOLOv10 Documentation

Сильные стороны: Главной особенностью YOLOv10 являются стабильные двойные назначения для обучения без NMS. Это означает, что модель естественным образом предсказывает ограничивающие рамки без необходимости этапа вторичной фильтрации, что делает model deployment значительно проще и быстрее на edge devices. Она достигает отличного баланса между малым количеством параметров и высокой точностью.

Слабые стороны: Хотя YOLOv10 крайне эффективна для стандартного 2D-object detection, в ней отсутствует нативная поддержка других важных задач компьютерного зрения, таких как instance segmentation и pose estimation, что ограничивает ее универсальность в сложных многозадачных пайплайнах.

Узнай больше о YOLOv10

Сравнение 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.

Технический анализ#

При анализе данных вырисовываются несколько ключевых тенденций. Модели YOLOv10 nano и small агрессивно нацелены на эффективность на периферии, причем YOLOv10n может похвастаться всего 2,3 миллионами параметров и 6,7 млрд FLOPs. Этот легкий дизайн в сочетании с архитектурой без NMS резко 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.

Преимущества экосистемы Ultralytics#

Хотя и PP-YOLOE+, и YOLOv10 предлагают впечатляющие технические достижения, современная ML-инженерия требует большего, чем просто «сырая» архитектура; ей необходима well-maintained ecosystem.

Ultralytics предоставляет ведущий в отрасли Python SDK, который кардинально упрощает data collection and annotation, обучение и развертывание. По сравнению с тяжелыми исследовательскими фреймворками или старыми моделями на основе трансформеров, архитектуры Ultralytics требуют лишь малую часть памяти CUDA во время обучения, позволяя использовать большие размеры батчей и ускорять итерации. Кроме того, набор инструментов Ultralytics предлагает огромную универсальность, поддерживая image classification, OBB (Oriented Bounding Box) и надежное трекирование объектов прямо «из коробки».

Встречай 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 удалению Distribution Focal Loss (DFL) архитектура модели значительно упрощается для экспорта, обеспечивая безупречную совместимость с маломощными edge AI devices.
• 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% более быстрый инференс на CPU: Значительно оптимизированная для реальных сценариев использования, YOLOv10 предлагает колоссальное ускорение для приложений, зависящих от вычислений на CPU, что делает её идеальной для smart surveillance и мобильного развертывания.
• ProgLoss + STAL: Эти улучшенные функции потерь резко повышают производительность распознавания мелких объектов, что является критически важным фактором для aerial imagery и robotics.
• 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

Практическая 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)

Сценарии использования и рекомендации#

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

Когда выбирать PP-YOLOE+#

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

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, созданной на базе фреймворка и инструментов Baidu's 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.

Когда 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.
• Приложения с постоянной задержкой: Сценарии развертывания, где предсказуемое время вывода критически важно, например, в robotics или автономных системах.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для 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.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Заключение#

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.