PP-YOLOE+ и YOLOv6-3.0#

Область компьютерного зрения в реальном времени быстро развивается, что привело 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. После выпуска обе модели предложили существенные архитектурные улучшения, ориентированные на повышение скорости инференса для промышленных и периферийных приложений.

Прежде чем перейти к подробному разбору архитектур, изучи график ниже, чтобы наглядно сравнить производительность этих моделей по скорости и точности.

PP-YOLOE+: архитектурные преимущества и недостатки#

Разработанная авторами PaddlePaddle, модель PP-YOLOE+ представляет собой заметный детектор без якорей, который развивает идеи предшественников и обеспечивает надежную производительность при работе с объектами разных масштабов.

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

Основные особенности архитектуры#

PP-YOLOE+ представила несколько важных улучшений по сравнению с оригинальной архитектурой PP-YOLOE. В ней используется мощный бэкбон CSPRepResNet, эффективно балансирующий вычислительные затраты и возможности извлечения признаков. Кроме того, модель объединяет усовершенствованную пирамидальную сеть признаков (FPN) с сетью агрегации путей (PAN), обеспечивая слияние признаков разных масштабов. Одной из ключевых особенностей является голова ET-head (голова, согласованная с задачами), которая значительно улучшает согласованность классификации и локализации при выполнении задачи обнаружения объектов.

Хотя PP-YOLOE+ демонстрирует впечатляющее значение средней точности (mAP), зависимость от экосистемы PaddlePaddle иногда создает высокий порог входа для исследователей, привыкших к нативным рабочим процессам PyTorch. Это может несколько усложнить процесс развертывания модели на гетерогенных периферийных устройствах, не имеющих прямой поддержки инференса Paddle.

Узнай больше о PP-YOLOE+

YOLOv6-3.0: промышленная пропускная способность#

YOLOv6-3.0, выпущенная отделом Vision AI компании Meituan, была специально разработана как детектор объектов нового поколения для промышленных приложений с приоритетом на огромную пропускную способность 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#

В YOLOv6-3.0 используется бэкбон EfficientRep, специально адаптированный для максимальной загрузки оборудования, особенно NVIDIA GPU с применением TensorRT. Обновление v3.0 добавило в neck модуль двунаправленной конкатенации (BiC), улучшив сохранение пространственных признаков без существенного увеличения числа параметров. Кроме того, была внедрена стратегия обучения с поддержкой якорей (AAT), объединяющая преимущества стабильности якорного подхода во время обучения модели с быстрой архитектурой без якорей во время инференса в реальном времени.

Однако, поскольку YOLOv6-3.0 сильно оптимизирована для серверных GPU, преимущество в задержке иногда уменьшается при развертывании на периферийных устройствах с жесткими ограничениями и только CPU. Благодаря такой специализации модель отлично подходит для сред, например офлайн-аналитики видео, но может уступать динамически оптимизированным моделям на небольшом локальном оборудовании.

Узнай больше о YOLOv6

Таблица сравнения производительности#

В следующей таблице представлены основные показатели производительности с прямым сравнением вариантов обеих архитектур, рассчитанных для разных масштабов.

Варианты применения и рекомендации#

Выбор между PP-YOLOE+ и YOLOv6 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — хороший выбор для:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами инференса, специально предназначенными для Paddle Lite или механизма инференса Paddle.
• Высокоточное обнаружение на сервере: Сценарии, в которых приоритетом является максимальная точность обнаружения на мощных GPU-серверах, а зависимость от фреймворка не имеет значения.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для:

• Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн модели и эффективная репараметризация обеспечивают оптимальную производительность на конкретном целевом оборудовании.
• Быстрое одностадийное обнаружение: приложения, в которых приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых средах.
• Интеграция с экосистемой Meituan: команды, уже работающие в технологическом стеке и инфраструктуре развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Преимущество Ultralytics: развитие за пределами устаревших моделей#

Хотя PP-YOLOE+ и YOLOv6-3.0 предлагают специализированные решения, современная разработка AI требует универсальных рабочих процессов с эффективным использованием памяти. Здесь платформа Ultralytics обеспечивает непревзойденный опыт для разработчиков. Благодаря унифицированному API Python ты можешь без проблем обучать, валидировать и развертывать передовые модели без огромных накладных расходов на конфигурацию, которые обычно характерны для старых исследовательских репозиториев.

Модели Ultralytics изначально поддерживают широкий спектр задач компьютерного зрения помимо стандартного обнаружения, включая сегментацию экземпляров, оценку позы, классификацию изображений и извлечение ориентированных ограничивающих рамок (OBB). Кроме того, они тщательно оптимизированы для снижения потребления памяти во время обучения — это разительно отличается от моделей на основе Transformer, таких как RT-DETR, которым обычно требуется огромный объем VRAM GPU.

Познакомься с YOLO26: новый стандарт#

Для организаций, стремящихся развернуть лучшие из существующих передовых моделей компьютерного зрения, Ultralytics YOLO26, выпущенная в январе 2026 года, устанавливает новые границы производительности. Благодаря нескольким важным инновациям она значительно превосходит модели предыдущих поколений:

• Сквозная архитектура без NMS: развивая идеи YOLOv10, YOLO26 полностью устраняет постобработку подавления немаксимумов (NMS). Такой изначально сквозной подход обеспечивает предсказуемый инференс со сверхнизкой задержкой, что особенно важно для систем безопасности, работающих в реальном времени.
• До 43% более быстрый инференс на CPU: благодаря удалению Distribution Focal Loss из архитектуры YOLO26 радикально оптимизирована для периферийных вычислений и сред без выделенного ускорения GPU.
• Оптимизатор MuSGD: интегрируя стабильность обучения LLM в модели компьютерного зрения, этот гибридный оптимизатор, вдохновленный Moonshot AI, обеспечивает быструю сходимость и высокую стабильность сеансов кастомного обучения.
• ProgLoss + STAL: эти усовершенствованные функции потерь значительно повышают качество распознавания небольших объектов, что крайне важно для таких приложений, как аэрофотосъемка с дронов и анализ загруженных сцен.

Простая реализация#

Обучать и экспортировать передовые модели с помощью пакета Ultralytics для Python remarkably просто. В следующем примере показано, как обучить последнюю модель YOLO26 и экспортировать ее в ONNX для быстрого развертывания на периферийных устройствах:

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")

Командам, глубоко интегрированным в старые рабочие процессы, но стремящимся к современной стабильности, также стоит обратить внимание на Ultralytics YOLO11 — это отличный переходный шаг, предлагающий широкий набор задач при поддержке всей экосистемы Ultralytics.