PP-YOLOE+ против YOLOv6-3.0#

Область computer vision реального времени быстро расширяется, что приводит к появлению узкоспециализированных архитектур, оптимизированных для различных сценариев развертывания. Разработчики часто сравнивают PP-YOLOE+ и YOLOv6-3.0 при создании приложений, требующих баланса между высокой пропускной способностью и надежной точностью. Обе модели после своего выпуска привнесли значительные архитектурные улучшения, сосредоточившись на увеличении скорости инференса для промышленных и периферийных приложений.

Прежде чем углубляться в детальный разбор архитектур, изучи график ниже, чтобы визуализировать, как эти модели соотносятся друг с другом по скорости и точности.

PP-YOLOE+: архитектурные сильные и слабые стороны#

Разработанный авторами PaddlePaddle, PP-YOLOE+ является заметным anchor-free detector, который опирается на своих предшественников для обеспечения надежной производительности в различных требованиях к масштабированию.

• Авторы: Авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection

Основные особенности архитектуры#

PP-YOLOE+ привнес несколько критических улучшений по сравнению с оригинальным дизайном PP-YOLOE. Он использует мощный бэкбон CSPRepResNet, который эффективно балансирует вычислительные затраты с возможностями извлечения признаков. Кроме того, он включает в себя продвинутую feature pyramid network (FPN) в сочетании с Path Aggregation Network (PAN) для обеспечения многомасштабной интеграции признаков. Одной из его выдающихся особенностей является ET-head (Efficient Task-aligned head), которая значительно улучшает координацию классификации и локализации при object detection.

Хотя PP-YOLOE+ достигает впечатляющего mean average precision (mAP), зависимость от экосистемы PaddlePaddle иногда создает высокий порог вхождения для исследователей, привыкших к нативным рабочим процессам PyTorch. Это может немного усложнить процесс model deployment при ориентации на гетерогенные периферийные устройства, не имеющие прямой поддержки инференса Paddle.

Узнай больше о PP-YOLOE+

YOLOv6-3.0: промышленная пропускная способность#

Выпущенный отделом Meituan Vision AI, YOLOv6-3.0 был специально спроектирован как объектный детектор следующего поколения для промышленных приложений, отдавая приоритет огромной пропускной способности на аппаратном обеспечении GPU.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Основные особенности архитектуры#

YOLOv6-3.0 оснащен бэкбоном EfficientRep, специально адаптированным для максимального использования аппаратного обеспечения, особенно на GPU от NVIDIA с использованием TensorRT. Обновление v3.0 привнесло в шею модуля двунаправленной конкатенации (BiC), улучшающее сохранение пространственных признаков без существенного увеличения количества параметров. Кроме того, оно внедрило стратегию обучения на основе якорей (AAT), которая объединяет преимущества стабильности на основе якорей во время обучения модели, сохраняя при этом бывшую архитектуру без якорей во время инференса в реальном времени.

Однако, поскольку YOLOv6-3.0 сильно оптимизирован для серверных GPU, его выигрыш в задержке иногда уменьшается при развертывании на сильно ограниченных периферийных устройствах только с CPU. Эта специализация означает, что он отлично работает в таких средах, как офлайн-видеоаналитика, но может отставать от динамически оптимизированных моделей на более слабом, локализованном оборудовании.

Узнай больше о YOLOv6

Таблица сравнения производительности#

В следующей таблице представлены ключевые показатели производительности, где напрямую сравниваются различные масштабные варианты обеих архитектур.

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLOv6 зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать PP-YOLOE+#

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

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu 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 выбирать YOLOv6#

YOLOv6 рекомендуется для:

• Промышленного внедрения с учетом оборудования: сценарии, где аппаратная ориентированность модели и эффективная репараметризация обеспечивают оптимизированную производительность на конкретном целевом оборудовании.
• Быстрого одноэтапного обнаружения: приложения, где приоритетом является чистая скорость вывода на GPU для обработки видео в реальном времени в контролируемых условиях.
• Интеграции в экосистему Meituan: команды, которые уже работают в рамках технологического стека и инфраструктуры развертывания Meituan.

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.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Преимущество Ultralytics: развитие за пределами устаревших моделей#

В то время как PP-YOLOE+ и YOLOv6-3.0 предлагают специализированные решения, современная разработка ИИ требует универсальных и эффективных по памяти рабочих процессов. Именно здесь Ultralytics Platform обеспечивает непревзойденный опыт разработчика. Благодаря унифицированному Python API ты можешь легко обучать, проверять и развертывать передовые модели без огромных накладных расходов на настройку, которые обычно встречаются в старых исследовательских репозиториях.

Модели Ultralytics нативно поддерживают широкий спектр задач компьютерного зрения помимо стандартного детектирования, включая сегментацию экземпляров, оценку позы, классификацию изображений и извлечение ориентированных ограничивающих рамок (OBB). Более того, они сильно оптимизированы для меньшего потребления памяти во время обучения — в резком контрасте с моделями на базе трансформаторов, такими как RT-DETR, которые обычно требуют огромных выделений видеопамяти GPU.

Открой для себя YOLO26: новый стандарт#

Для организаций, желающих развернуть совершенные передовые модели компьютерного зрения, Ultralytics YOLO26 (выпущенный в январе 2026 года) переопределяет границы производительности. Он значительно превосходит старые поколения благодаря нескольким ключевым инновациям:

• Дизайн без NMS, от конца до конца: Опираясь на концепции из YOLOv10, YOLO26 полностью исключает постобработку немаксимального подавления (NMS). Такой нативный подход от конца до конца гарантирует предсказуемый инференс с ультранизкой задержкой, что критически важно для систем безопасности реального времени.
• До 43% быстрее инференс на CPU: Благодаря удалению Distribution Focal Loss (DFL) из архитектуры, YOLO26 радикально оптимизирован для периферийных вычислений и сред, в которых отсутствует специализированное ускорение на GPU.
• Оптимизатор MuSGD: Интегрируя стабильность обучения LLM в модели компьютерного зрения, этот гибридный оптимизатор (вдохновленный Moonshot AI) обеспечивает быструю сходимость и очень стабильные сессии custom training.
• ProgLoss + STAL: Эти продвинутые формулировки функций потерь обеспечивают замечательные улучшения в распознавании мелких объектов, что жизненно важно для таких приложений, как aerial drone imagery и анализ переполненных сцен.

Бесшовная реализация#

Обучение и экспорт современных моделей с использованием Ultralytics Python package удивительно просты. Следующий пример демонстрирует, как обучить новейшую модель YOLO26 и экспортировать ее в ONNX для быстрого развертывания на периферии:

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

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

# Run inference on a test image (NMS-free speed)
predict_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for edge deployment
model.export(format="onnx")

Для команд, глубоко интегрированных в старые рабочие процессы, но ищущих современную стабильность, изучение Ultralytics YOLO11 также является отличным переходным шагом, предлагающим комплексную универсальность задач, подкрепленную всей экосистемой Ultralytics.