PP-YOLOE+ и YOLOv6-3.0#

Область компьютерного зрения в реальном времени стремительно расширяется, и появляются специализированные архитектуры, оптимизированные для самых разных сценариев развёртывания. При создании приложений, которым нужны высокая пропускная способность и надёжная точность, разработчики часто сравнивают PP-YOLOE+ и YOLOv6-3.0. Обе модели существенно улучшили архитектуру после выхода и были ориентированы на повышение скорости инференса для промышленного применения и 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 безанкерный детектор, который развивает предыдущие модели и обеспечивает надёжную работу при разных требованиях к масштабу.

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

Основные особенности архитектуры#

В PP-YOLOE+ появилось несколько важных улучшений по сравнению с исходной PP-YOLOE. В модели используется мощный бэкбон CSPRepResNet, который эффективно сочетает вычислительную экономичность с возможностями извлечения признаков. Кроме того, усовершенствованная сеть пирамиды признаков (FPN) объединена с сетью агрегации путей (PAN) для обеспечения многомасштабного слияния признаков. Одна из ключевых особенностей — голова ET-head (эффективная голова с выравниванием задач), которая значительно улучшает согласование классификации и локализации при обнаружении объектов.

Хотя PP-YOLOE+ демонстрирует впечатляющую среднюю точность (mAP), зависимость модели от экосистемы PaddlePaddle может усложнить освоение для исследователей, привыкших к рабочим процессам на PyTorch. Это также может затруднить развёртывание модели на периферийных устройствах с разнородной архитектурой, не поддерживающих инференс Paddle напрямую.

Узнай больше о PP-YOLOE+

YOLOv6-3.0: промышленная пропускная способность#

Выпущенная подразделением Meituan Vision AI Department, YOLOv6-3.0 специально разработана как детектор объектов нового поколения для промышленного применения с приоритетом на максимальную 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 созданный для максимальной загрузки оборудования, особенно GPU NVIDIA с TensorRT. В обновлении v3.0 в шейк добавили двунаправленный модуль конкатенации (BiC), который улучшает сохранение пространственных признаков без значительного увеличения числа параметров. Кроме того, появилась стратегия обучения с помощью анкеров (AAT): она использует стабильность анкерного подхода при обучении модели, сохраняя быструю безанкерную архитектуру во время инференса в реальном времени.

Однако YOLOv6-3.0 оптимизирована для серверных GPU, поэтому её преимущество по задержке может уменьшаться при развёртывании на сильно ограниченных периферийных устройствах, использующих только CPU. Эта специализация делает модель эффективной, например, для автономной видеоаналитики, но на компактном локальном оборудовании она может уступать моделям с динамической оптимизацией.

Подробнее о YOLOv6

Таблица сравнения производительности#

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

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, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• 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 решают узкоспециализированные задачи, но современная разработка ИИ требует универсальных рабочих процессов, эффективно использующих память. Здесь платформа Ultralytics обеспечивает непревзойдённые возможности для разработчиков. Благодаря унифицированному Python API ты можешь легко обучать, проверять и развёртывать передовые модели, избегая огромного объёма настройки, который обычно требуется в старых исследовательских репозиториях.

Модели Ultralytics изначально поддерживают множество задач компьютерного зрения помимо стандартного обнаружения, включая сегментацию экземпляров, классификацию изображений, оценку позы и извлечение ориентированных ограничивающих рамок (OBB). Кроме того, при обучении они эффективно используют память — в отличие от моделей на основе Transformer, таких как RT-DETR, которым обычно требуется огромный объём видеопамяти GPU.

Знакомься с YOLO26: новый стандарт#

Организациям, которым нужны самые передовые модели компьютерного зрения, стоит обратить внимание на Ultralytics YOLO26, выпущенную в январе 2026 года: она задаёт новые границы производительности. Благодаря нескольким важным инновациям модель значительно превосходит предыдущие поколения:

• Сквозная архитектура без NMS: развивая идеи YOLOv10, дополнительная голова YOLO26 с соответствием один к одному (nms=False) полностью устраняет постобработку с подавлением немаксимумов (NMS). Такой сквозной подход обеспечивает предсказуемый инференс со сверхнизкой задержкой, необходимый для систем безопасности реального времени.
• Инференс на CPU до 43% быстрее: благодаря удалению Distribution Focal Loss (DFL) из архитектуры YOLO26 радикально оптимизирована для периферийных вычислений и сред без выделенных GPU.
• 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 усовершенствованные функции потерь значительно повышают точность распознавания небольших объектов, что важно для таких задач, как съёмка с дронов и анализ загруженных сцен.

Простое внедрение#

Обучать и экспортировать передовые модели с помощью пакета Ultralytics для Python очень просто. В примере ниже показано, как обучить новейшую модель YOLO26 и экспортировать её в ONNX для быстрого развёртывания на периферийных устройствах:

from ultralytics import YOLO

# Загрузи передовую small-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")

Если твоя команда глубоко привязана к старым рабочим процессам, но хочет перейти к современным стабильным решениям, отличным промежуточным шагом станет Ultralytics YOLO11: модель поддерживает множество задач и входит в полноценную экосистему Ultralytics.