PP-YOLOE+ против YOLOv5#

При выборе подходящего фреймворка глубокого обучения для компьютерного зрения разработчики часто сравнивают возможности различных архитектур, чтобы найти идеальный баланс между скоростью, точностью и простотой развертывания. В этом глубоком обзоре мы изучим технические нюансы между PP-YOLOE+ и YOLOv5. Анализируя их архитектуры, показатели производительности и идеальные сценарии развертывания, ты сможешь принять обоснованное решение для своего следующего проекта, будь то робототехника реального времени, развертывание на периферийных устройствах или облачная видеоаналитика.

Происхождение моделей и метаданные#

Обе модели созданы высококвалифицированными инженерными командами, но ориентированы на несколько разные экосистемы. Понимание их происхождения дает ценный контекст для выбора их архитектурного дизайна.

Подробности PP-YOLOE+:

• Авторы: Авторы PaddlePaddle
• Организация: Baidu
• Дата: 02.04.2022
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Документация: PaddleDetection README

Узнай больше о PP-YOLOE+

Детали YOLOv5:

• Автор: Гленн Джочер
• Организация: Ultralytics
• Дата: 26.06.2020
• GitHub: https://github.com/ultralytics/yolov5
• Документация: https://docs.ultralytics.com/models/yolov5

Узнай больше о YOLOv5

Архитектурное сравнение#

Архитектура PP-YOLOE+#

PP-YOLOE+ представляет собой эволюцию в экосистеме Baidu, созданную на фундаменте предыдущих моделей, таких как PP-YOLOv2. Она представляет сильно оптимизированный бэкэнд CSPRepResNet, который улучшает извлечение признаков путем объединения принципов сетей с частичным разделением кросс-стадий (CSP) и методов репараметризации. Это позволяет модели сохранять высокую точность во время обучения и при этом переходить в более обтекаемую архитектуру для более быстрого вывода.

Кроме того, PP-YOLOE+ использует обучение выравниванию задач (TAL) и эффективную главу, выровненную по задачам (ET-head). Эта комбинация направлена на решение проблемы несоответствия между задачами классификации и локализации, которая является распространенным узким местом в плотных детекторах объектов. Несмотря на структурную впечатляемость, архитектура тесно связана с фреймворком PaddlePaddle, что может создавать трудности при интеграции для команд, стандартизирующих свои процессы на других основных библиотеках машинного обучения.

Архитектура YOLOv5#

В отличие от нее, YOLOv5 была разработана нативно на PyTorch, который является отраслевым стандартом как для академических исследований, так и для корпоративного продакшна. В ней используется модифицированный бэкэнд CSPDarknet53, известный своим исключительным потоком градиентов и эффективностью параметров.

Отличительной чертой YOLOv5 является алгоритм AutoAnchor, который динамически проверяет и корректирует размеры анкорных рамок на основе твоего пользовательского набора данных перед обучением. Это устраняет необходимость ручной настройки гиперпараметров для ограничивающих рамок. Нек (neck) модели Path Aggregation Network (PANet) обеспечивает надежное слияние признаков в разных масштабах, что делает ее очень эффективной при обнаружении объектов разных размеров.

Анализ производительности#

Оценка этих моделей требует рассмотрения компромисса между средней точностью (mAP) и задержкой. В следующей таблице представлены показатели для разных размеров моделей.

Хотя PP-YOLOE+ достигает очень конкурентоспособных оценок mAP в больших масштабах (таких как вариант X), YOLOv5 обеспечивает превосходную скорость и меньшее количество параметров в меньшем спектре. YOLOv5 Nano (YOLOv5n) требует всего 2,6 миллиона параметров, что делает ее отлично подходящей для ограниченных краевых устройств с жесткими требованиями к памяти. Более того, обучение моделей YOLO обычно потребляет меньше памяти CUDA по сравнению с тяжелыми альтернативами на базе трансформаторов, такими как RT-DETR.

Преимущество Ultralytics#

При выборе архитектуры сухие метрики — это лишь часть уравнения. Опыт разработчика, поддержка экосистемы и конвейеры развертывания часто определяют реальный успех проекта. Именно здесь модели Ultralytics проявляют себя наилучшим образом.

Непревзойденная простота использования#

Python API для Ultralytics абстрагирует сложный шаблонный код. Разработчики могут легко запускать обучение, проверять производительность и развертывать модели. Документация обширна, поддерживается в актуальном состоянии и поддерживается огромным мировым сообществом открытого исходного кода.

Универсальность в задачах#

Хотя PP-YOLOE+ представляет собой специализированный детектор объектов, экосистема Ultralytics позволяет решать множество задач компьютерного зрения с помощью единого унифицированного API. С помощью YOLOv5 и ее преемников ты можешь легко переходить от стандартных ограничивающих рамок к рабочим процессам сегментации изображений и классификации.

Пример кода: Обучение YOLOv5#

Для начала работы требуются лишь несколько строк кода. Эта простота значительно ускоряет циклы исследований и разработки.

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run fast inference on an image
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()

Реальные сценарии использования#

Когда стоит выбрать PP-YOLOE+: Если твоя организация глубоко интегрирована в программный стек Baidu или сильно зависит от специализированного оборудования, требующего фреймворк PaddlePaddle, PP-YOLOE+ — надежное решение. Она часто используется в специализированных производственных конвейерах в Азии, где существует устаревшая интеграция с Paddle.

Когда выбирать YOLOv5: Для подавляющего большинства международных разработчиков, исследователей и предприятий YOLOv5 остается мощным инструментом. Ее корни в PyTorch означают мгновенную совместимость с такими инструментами, как Weights & Biases для отслеживания, и чистый экспорт в TensorRT для ускорения на GPU NVIDIA или CoreML для устройств Apple. Она преуспевает в самых разных областях: от мониторинга сельскохозяйственных культур до высокоскоростной навигации дронов.

Будущее детектирования: Ultralytics YOLO26#

Хотя YOLOv5 является культовой моделью, рубежи компьютерного зрения продвинулись вперед. Для всех новых разработок мы настоятельно рекомендуем переходить на YOLO26, выпущенную в январе 2026 года. Доступная без проблем через платформу Ultralytics, YOLO26 полностью переосмысляет эффективность.

Узнай больше о YOLO26

Ключевые инновации в YOLO26:

• Комплексный дизайн без NMS: YOLO26 полностью исключает постобработку Non-Maximum Suppression. Это снижает вариативность задержки и значительно упрощает конвейер развертывания.
• До 43% быстрее вывод на CPU: Благодаря стратегическому удалению Distribution Focal Loss (DFL), YOLO26 значительно увеличивает скорость на периферийных устройствах без графических процессоров.
• Оптимизатор MuSGD: Вдохновленный передовыми большими языковыми моделями, этот гибридный оптимизатор стабилизирует динамику обучения и позволяет достичь гораздо более быстрой сходимости на пользовательских наборах данных.
• Улучшения для конкретных задач: Включает передовые функции потерь, такие как ProgLoss и STAL, обеспечивающие беспрецедентную точность на мелких объектах. Она нативно поддерживает обнаружение ориентированных ограничивающих рамок (OBB) для аэрофотоснимков.

Если ты изучаешь современные модели зрения, тебе также может быть интересно сравнить предыдущее поколение YOLO11 или подходы на базе трансформаторов вроде RT-DETR. В конечном счете надежная экосистема в сочетании с передовыми архитектурными достижениями закрепляет за Ultralytics статус главного выбора для современных задач компьютерного зрения.