PP-YOLOE+ и YOLOv5#

При выборе подходящего фреймворка глубокого обучения для компьютерного зрения разработчики часто сравнивают возможности разных архитектур, чтобы найти идеальный баланс между скоростью, точностью и простотой развертывания. В этом подробном разборе мы рассмотрим технические различия между PP-YOLOE+ и YOLOv5. Проанализировав их архитектуры, показатели производительности и оптимальные сценарии развертывания, ты сможешь принять обоснованное решение для своего следующего проекта — будь то робототехника реального времени, развертывание на периферийных устройствах или облачная аналитика видео.

Происхождение моделей и метаданные#

Обе модели разработаны высококвалифицированными инженерными командами, но ориентированы на несколько разные экосистемы. Понимание их происхождения помогает лучше оценить решения, заложенные в архитектуру.

Сведения о PP-YOLOE+:

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Документация: README PaddleDetection

Узнай больше о PP-YOLOE+

Сведения о YOLOv5:

• Авторы: Glenn Jocher
• Организация: Ultralytics
• Дата: 2020-06-26
• GitHub: https://github.com/ultralytics/yolov5
• Документация: https://docs.ultralytics.com/models/yolov5

Сравнение архитектур#

Архитектура PP-YOLOE+#

PP-YOLOE+ — это развитие моделей в экосистеме Baidu, созданное на основе предыдущих моделей, таких как PP-YOLOv2. В ней используется тщательно оптимизированный бэкенд CSPRepResNet, который улучшает извлечение признаков, сочетая принципы сетей с частичным разделением этапов (CSP) с методами репараметризации. Благодаря этому модель сохраняет высокую точность во время обучения, а затем преобразуется в более компактную архитектуру для ускорения вывода.

Кроме того, PP-YOLOE+ использует обучение выравниванию задач (TAL) и эффективную голову, выровненную по задачам (ET-head). Это сочетание призвано устранить рассогласование между задачами классификации и локализации — распространенное узкое место плотных детекторов объектов. Несмотря на впечатляющую структуру, архитектура тесно связана с фреймворком PaddlePaddle, что может создавать сложности с интеграцией для команд, стандартизировавших другие распространенные ML-библиотеки.

Архитектура YOLOv5#

В отличие от него, YOLOv5 изначально разработан на PyTorch, который является отраслевым стандартом как для академических исследований, так и для промышленной эксплуатации. В модели используется модифицированный бэкенд CSPDarknet53, известный эффективной передачей градиентов и экономным использованием параметров.

Отличительной особенностью YOLOv5 является алгоритм AutoAnchor, который перед обучением динамически проверяет и корректирует размеры якорных блоков с учетом твоего конкретного пользовательского датасета. Это избавляет от ручной настройки гиперпараметров для ограничивающих рамок. Шея Path Aggregation Network (PANet) в модели обеспечивает надежное слияние признаков разных масштабов, благодаря чему YOLOv5 эффективно обнаруживает объекты разных размеров.

Анализ производительности#

Для оценки этих моделей необходимо учитывать компромисс между средней точностью (mAP) и задержкой. В таблице ниже представлены метрики для моделей разных размеров.

Хотя PP-YOLOE+ достигает весьма конкурентоспособных показателей mAP на крупных масштабах, например в варианте X, YOLOv5 обеспечивает более высокую скорость и меньшее количество параметров в нижней части спектра. YOLOv5 Nano (YOLOv5n) требует всего 2,6 миллиона параметров, что делает модель особенно подходящей для периферийных устройств с ограниченными ресурсами и жесткими требованиями к памяти. Кроме того, обучение моделей YOLO обычно потребляет меньше памяти CUDA по сравнению с ресурсоемкими альтернативами на базе Transformer, такими как RT-DETR.

Преимущества Ultralytics#

При выборе архитектуры одних только числовых метрик недостаточно. Реальный успех проекта часто определяют удобство разработки, поддержка экосистемы и процессы развертывания. Именно здесь модели Ultralytics особенно сильны.

Непревзойдённая простота использования#

Python API Ultralytics скрывает сложный шаблонный код. Разработчики могут легко запускать обучение, проверять производительность и развертывать модели. Документация обширна, регулярно обновляется и поддерживается огромным мировым сообществом разработчиков открытого ПО.

Универсальность для разных задач#

PP-YOLOE+ — специализированный детектор объектов, тогда как экосистема Ultralytics позволяет решать несколько задач компьютерного зрения через единый унифицированный API. С YOLOv5 и последующими моделями ты можешь без труда переходить от стандартных ограничивающих рамок к рабочим процессам сегментации изображений и классификации.

Пример кода: обучение YOLOv5#

Для начала работы достаточно всего нескольких строк кода. Такая 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()

Практические сценарии использования#

Когда стоит выбрать PP-YOLOE+: Если твоя организация глубоко интегрирована в программный стек Baidu или активно использует специализированное оборудование, требующее фреймворк PaddlePaddle, PP-YOLOE+ станет надежным решением. Модель часто применяется в специализированных производственных процессах в Азии, где сохранилась интеграция с Paddle.

Когда стоит выбрать YOLOv5: Для подавляющего большинства международных разработчиков, исследователей и предприятий YOLOv5 остается мощным решением. Благодаря основе на PyTorch модель сразу совместима с такими инструментами, как Weights & Biases, для отслеживания экспериментов и без проблем экспортируется в TensorRT для ускорения на GPU NVIDIA или в CoreML для устройств Apple. Модель отлично подходит для самых разных областей — от мониторинга сельскохозяйственных культур до скоростной навигации дронов.

Будущее детектирования: Ultralytics YOLO26#

Хотя YOLOv5 остается знаковой моделью, передовые технологии компьютерного зрения уже шагнули далеко вперед. Для всех новых разработок мы настоятельно рекомендуем перейти на YOLO26, выпущенную в январе 2026 года. YOLO26 доступна через Ultralytics Platform и полностью переосмысливает эффективность.

Ключевые инновации YOLO26:

• Сквозная архитектура без NMS: YOLO26 полностью исключает постобработку Non-Maximum Suppression. Это значительно снижает вариативность задержки и упрощает процесс развертывания.
• До 43% более быстрый вывод на CPU: Благодаря целенаправленному удалению Distribution Focal Loss (DFL) YOLO26 существенно повышает скорость на периферийных устройствах без GPU.
• Оптимизатор MuSGD: Этот гибридный оптимизатор, вдохновленный передовыми большими языковыми моделями, стабилизирует динамику обучения и обеспечивает значительно более быструю сходимость на пользовательских датасетах.
• Улучшения для конкретных задач: Используются продвинутые функции потерь, такие как ProgLoss и STAL, что обеспечивает беспрецедентную точность при обнаружении небольших объектов. Модель изначально поддерживает детектирование ориентированных ограничивающих рамок (OBB) на аэрофотоснимках.

Если ты изучаешь передовые модели компьютерного зрения, возможно, тебе также будет интересно сравнить предыдущее поколение YOLO11 или подходы на базе Transformer, такие как RT-DETR. В конечном счете надежная экосистема в сочетании с передовыми архитектурными решениями закрепляет за Ultralytics статус оптимального выбора для современных задач компьютерного зрения.