Начать

PP-YOLOE+ и YOLOv6-3.0

Компьютерное зрение в реальном времени стремительно развивается, что приводит к появлению специализированных архитектур, оптимизированных для различных сценариев развертывания. Разработчики часто сравнивают PP-YOLOE+ и YOLOv6-3.0 при создании приложений, которым необходим баланс между высокой пропускной способностью и стабильной точностью. При выпуске обе модели получили существенные архитектурные улучшения, направленные на повышение скорости инференса в промышленных приложениях и приложениях для периферийных устройств.

Прежде чем подробно разбирать архитектуры, изучи график ниже: он наглядно показывает, как эти модели соотносятся по скорости и точности.

PP-YOLOE+: сильные и слабые стороны архитектуры#

Разработанная авторами PaddlePaddle, PP-YOLOE+ — известный детектор без якорей, который развивает предыдущие модели и обеспечивает надежную производительность при разных требованиях к масштабированию.

Основные особенности архитектуры#

В PP-YOLOE+ появилось несколько важных усовершенствований по сравнению с исходной архитектурой PP-YOLOE. В основе модели лежит CSPRepResNet, эффективно сочетающая вычислительные затраты и возможности извлечения признаков. Кроме того, для объединения признаков разных масштабов используется пирамида признаков (FPN) в сочетании с сетью агрегации путей (PAN). Одна из ключевых особенностей — ET-head, эффективная голова, согласованная с задачами (Efficient Task-aligned head), которая значительно улучшает согласование классификации и локализации при обнаружении объектов.

PP-YOLOE+ обеспечивает высокий показатель средней точности (mAP), однако зависимость от экосистемы PaddlePaddle может затруднить освоение модели исследователями, привыкшими к рабочим процессам на PyTorch. Это может немного усложнить процесс развертывания модели на разнородных периферийных устройствах без непосредственной поддержки инференса Paddle.

Контекст развёртывания

PP-YOLOE+ хорошо оптимизирована для развертывания в технологическом стеке Baidu, поэтому это хороший выбор для производственной среды, активно использующей инструменты инференса Paddle.

Узнай больше о PP-YOLOE+

YOLOv6-3.0: промышленная пропускная способность#

Выпущенная отделом Vision AI компании Meituan, YOLOv6-3.0 специально разработана как детектор объектов нового поколения для промышленного применения с приоритетом высокой пропускной способности на GPU.

Основные особенности архитектуры#

В YOLOv6-3.0 используется основа EfficientRep, специально разработанная для максимальной загрузки оборудования, особенно GPU NVIDIA с TensorRT. В обновлении v3.0 в шейку сети добавлен двунаправленный модуль конкатенации (BiC), улучшающий сохранение пространственных признаков без существенного увеличения количества параметров. Кроме того, появилась стратегия обучения с помощью якорей (AAT), сочетающая стабильность архитектуры с якорями во время обучения модели со скоростью архитектуры без якорей во время инференса в реальном времени.

Однако YOLOv6-3.0 сильно оптимизирована для серверных GPU, поэтому ее выигрыш в задержке иногда уменьшается при развертывании на сильно ограниченных периферийных устройствах только с CPU. Из-за такой специализации модель лучше всего работает в средах, например при автономной видеоаналитике, и может уступать моделям, оптимизированным для периферийных устройств, на менее мощном оборудовании.

Подробнее о YOLOv6

Таблица сравнения производительности#

В таблице ниже представлены ключевые показатели производительности с прямым сравнением вариантов обеих архитектур, различающихся масштабом.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLOv6 зависит от требований твоего проекта, ограничений развёртывания и предпочтений по экосистеме.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — хороший выбор для:

  • Интеграция с экосистемой PaddlePaddle: Организации с готовой инфраструктурой на базе фреймворка и инструментов PaddlePaddle от Baidu.
  • Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании со специально оптимизированными ядрами инференса для Paddle Lite или движка инференса Paddle.
  • Обнаружение объектов на сервере с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных серверах с GPU, а зависимость от конкретного фреймворка не имеет значения.

Когда стоит выбрать YOLOv6#

YOLOv6 рекомендуется для следующих задач:

  • Развертывание с учетом промышленного оборудования: сценарии, в которых аппаратно-ориентированный дизайн и эффективная репараметризация модели обеспечивают оптимальную производительность на конкретном целевом оборудовании.
  • Быстрая одноэтапная детекция: приложения, где приоритетом является максимальная скорость инференса на GPU для обработки видео в реальном времени в контролируемых условиях.
  • Интеграция с экосистемой Meituan: команды, уже работающие с технологическим стеком и инфраструктурой развертывания Meituan.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Преимущества Ultralytics: развитие моделей предыдущих поколений#

PP-YOLOE+ и YOLOv6-3.0 предлагают решения для конкретных задач, но современная разработка ИИ требует универсальных рабочих процессов с эффективным использованием памяти. Здесь Ultralytics Platform обеспечивает удобную среду разработки. Благодаря унифицированному Python API ты можешь обучать, проверять и развертывать современные модели без больших затрат на конфигурацию, характерных для старых исследовательских репозиториев.

Модели Ultralytics изначально поддерживают широкий спектр задач компьютерного зрения помимо стандартного обнаружения, включая сегментацию экземпляров, классификацию изображений, оценку позы и извлечение ориентированных ограничивающих рамок (OBB). Они также оптимизированы для меньшего потребления памяти во время обучения, в отличие от моделей на основе Transformer, таких как RT-DETR, для которых обычно требуется большой объем VRAM GPU.

Знакомься с YOLO26: новый стандарт#

Организациям, которые планируют развернуть новейшие модели компьютерного зрения, стоит обратить внимание на Ultralytics YOLO26, выпущенную в январе 2026 года: она значительно превосходит предыдущие поколения благодаря нескольким важным инновациям:

  • Сквозная архитектура без NMS: развивая идеи YOLOv10, опциональная голова «один к одному» YOLO26 (nms=False) полностью устраняет постобработку с помощью подавления немаксимумов (NMS). Такой изначально сквозной подход обеспечивает предсказуемый инференс с низкой задержкой, необходимый для систем безопасности реального времени.
  • Инференс на CPU до 43% быстрее: после удаления Distribution Focal Loss (DFL) из архитектуры YOLO26 оптимизирована для периферийных вычислений и сред без выделенного GPU-ускорителя; YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Оптимизатор MuSGD: этот гибридный оптимизатор переносит стабильность обучения LLM в модели компьютерного зрения. Он вдохновлён Moonshot AI и обеспечивает быструю сходимость и высокую стабильность пользовательского обучения.
  • ProgLoss + STAL: эти методы обучения заметно улучшают распознавание небольших объектов, что важно для таких приложений, как аэрофотосъемка с дронов и анализ сцен с большим количеством объектов.
Подготовь свои конвейеры к будущему

Если ты начинаешь новый проект сегодня, выбери YOLO26, а не более старые архитектуры. Благодаря эффективному использованию памяти и скорости без NMS эту модель значительно проще вывести в производство.

Реализация#

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

from ultralytics import YOLO

# Загрузить малую модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель на примере набора данных COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Выполни инференс без NMS на тестовом изображении
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируй модель в формат ONNX для развёртывания на периферийном устройстве
model.export(format="onnx")

Командам, тесно связанным с устаревшими рабочими процессами, но стремящимся к современной стабильности, также стоит рассмотреть Ultralytics YOLO11 как хороший промежуточный вариант: модель предлагает широкие возможности для решения разных задач при поддержке всей экосистемы Ultralytics.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.