Link to this sectionPP-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.

Link to this sectionPP-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

Link to this sectionОсновные 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+

Link to this sectionYOLOv6-3.0: 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

Link to this sectionОсновные особенности архитектуры#

YOLOv6-3.0 features an EfficientRep backbone specifically tailored to maximize hardware utilization, particularly on NVIDIA GPUs using TensorRT. The v3.0 update brought a Bi-directional Concatenation (BiC) module to the neck, enhancing spatial feature retention without severely bloating the parameter count. Additionally, it introduced an Anchor-Aided Training (AAT) strategy that fuses the benefits of anchor-based stability during model training while maintaining a fast, anchor-free architecture during real-time inference.

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

Link to this sectionТаблица сравнения производительности#

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

Link to this sectionСценарии использования и рекомендации#

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

Link to this sectionКогда 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.

Link to this sectionКогда 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.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта 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.

Link to this sectionПреимущество 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.

Ultralytics models natively support a wide array of vision tasks beyond standard detection, including instance segmentation, pose estimation, image classification, and Oriented Bounding Box (OBB) extraction. Furthermore, they are highly optimized for lower memory usage during training—a stark contrast to transformer-based models like RT-DETR which generally demand massive GPU VRAM allocations.

Link to this sectionОткрой 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:

• End-to-End NMS-Free Design: Building on concepts from YOLOv10, YOLO26 completely eliminates Non-Maximum Suppression (NMS) post-processing. This natively end-to-end approach guarantees predictable, ultra-low latency inference, crucial for real-time safety systems.
• 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.

Link to this sectionБесшовная 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.