PP-YOLOE+ и YOLOv10#

Сфера компьютерного зрения постоянно развивается: новые модели расширяют возможности детекции объектов в реальном времени. В этом подробном техническом сравнении мы рассмотрим PP-YOLOE+ и YOLOv10 — две мощные архитектуры, созданные для разных экосистем. Также мы изучим, как отрасль в целом движется к более унифицированным и удобным платформам, таким как платформа Ultralytics, и передовой модели YOLO26.

Знакомство с моделями#

Чтобы выбрать подходящую основу для своих проектов компьютерного зрения, нужно хорошо понимать компромиссы, связанные с архитектурой 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+ отлично подходит для сред, тесно интегрированных с фреймворком PaddlePaddle. В модели используется усовершенствованная базовая сеть CSPRepResNet и мощная стратегия назначения меток (TAL), обеспечивающая впечатляющую среднюю точность (mAP). Модель хорошо оптимизирована для развертывания на серверных GPU, широко используемых в промышленности по всей Азии.

Недостатки: Главный недостаток PP-YOLOE+ — сильная зависимость от экосистемы PaddlePaddle, которая может показаться менее интуитивной разработчикам, привыкшим к PyTorch. Кроме того, для постобработки требуется традиционное подавление немаксимумов (NMS), что увеличивает задержку и усложняет развертывание.

Узнай больше о PP-YOLOE+

Обзор YOLOv10#

Выпущенная исследователями Университета Цинхуа модель YOLOv10 значительно изменила архитектурную парадигму, исключив NMS из конвейера инференции.

• 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 при обучении без NMS. Это означает, что модель изначально предсказывает ограничивающие рамки без дополнительного этапа фильтрации, значительно упрощая и ускоряя развертывание моделей на периферийных устройствах. Модель обеспечивает отличное сочетание малого количества параметров и высокой точности.

Недостатки: Хотя YOLOv10 весьма эффективна для стандартной 2D-детекции объектов, модель изначально не поддерживает другие важные задачи компьютерного зрения, например сегментацию экземпляров и оценку позы, что ограничивает ее универсальность в сложных многозадачных конвейерах.

Подробнее о YOLOv10

Сравнение производительности и метрик#

Чтобы выбрать подходящую архитектуру, важно понимать, как эти модели показывают себя на стандартизированных бенчмарках. Ниже приведено подробное сравнение их размера, точности и задержки.

Технический анализ#

При анализе данных можно выделить несколько важных тенденций. Нано- и малые модели YOLOv10 нацелены на максимальную эффективность на периферийных устройствах: YOLOv10n содержит всего 2,3 миллиона параметров и выполняет 6,7B FLOPs. Благодаря легковесной конструкции и архитектуре без NMS эти модели значительно снижают 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 ведущий в отрасли SDK для Python, который значительно упрощает сбор и разметку данных, обучение и развертывание. По сравнению с громоздкими исследовательскими фреймворками и более старыми моделями на базе Transformer, архитектурам Ultralytics требуется лишь малая часть памяти CUDA во время обучения, что позволяет использовать большие размеры батчей и быстрее проводить эксперименты. Кроме того, набор инструментов Ultralytics отличается высокой универсальностью: он поддерживает классификацию изображений, OBB (ориентированные ограничивающие рамки) и надежное отслеживание объектов прямо из коробки.

Встречай YOLO26: новое поколение#

Выпущенная в январе 2026 года, Ultralytics YOLO26 воплощает вершину развития компьютерного зрения: она сочетает лучшие идеи моделей, таких как YOLOv10, и устраняет их ограничения.

Ключевые инновации YOLO26:

• Сквозная архитектура без NMS: Развивая идею, впервые реализованную в YOLOv10, YOLO26 предлагает дополнительную сквозную голову (nms=False), которая исключает постобработку NMS и упрощает развертывание на разном оборудовании, ускоряя его.
• Отказ от DFL: Благодаря удалению Distribution Focal Loss (DFL) архитектура модели значительно упрощается для экспорта, что обеспечивает безупречную 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 беспрецедентную стабильность обучения и значительно ускоряет сходимость.
• До 43% быстрее инференс на CPU: YOLO26 тщательно оптимизирована для реальных условий и значительно ускоряет работу приложений, использующих CPU, поэтому отлично подходит для интеллектуального видеонаблюдения и мобильных развертываний.
• ProgLoss + STAL: Эти улучшенные функции потерь значительно повышают качество распознавания мелких объектов — это особенно важно для аэрофотосъемки 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 легко. 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 оптимальное сочетание производительности и удобства разработки:

• 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 ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее 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 стала выдающимся академическим достижением, доказав жизнеспособность обнаружения объектов в реальном времени без NMS.

Однако разработчикам, которым нужно оптимальное сочетание точности, высокой скорости инференса и широких возможностей для решения нескольких задач, стоит выбрать Ultralytics YOLO26. Инновации в эффективности обучения и архитектура развертывания с приоритетом периферийных устройств делают ее самым надежным и универсальным решением для компьютерного зрения производственного уровня в 2026 году и позже.