PP-YOLOE+ против YOLOv6-3.0#

Область computer vision стремительно развивается, что привело к появлению высокоспециализированных архитектур, оптимизированных под различные сценарии развертывания. Разработчики часто сравнивают PP-YOLOE+ и YOLOv6-3.0 при создании приложений, требующих баланса высокой пропускной способности и надежной точности. Обе модели при релизе привнесли существенные архитектурные улучшения, сосредоточившись на повышении 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 PaddlePaddle Authors, PP-YOLOE+ представляет собой заметный anchor-free detector, который развивает идеи предшественников для обеспечения надежной производительности в различных масштабах задач.

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

Основные особенности архитектуры#

PP-YOLOE+ привнес несколько критически важных улучшений по сравнению с оригинальным дизайном PP-YOLOE. В нем используется мощный бэкбон CSPRepResNet, который эффективно балансирует вычислительные затраты с возможностями извлечения признаков. Кроме того, он включает в себя усовершенствованную feature pyramid network (FPN) в сочетании с Path Aggregation Network (PAN) для обеспечения многомасштабного слияния 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 показателя mean average precision (mAP), его зависимость от экосистемы PaddlePaddle может порой создавать высокий порог входа для исследователей, привыкших к рабочим процессам на базе 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 аппаратных средств, в частности на GPU NVIDIA с использованием TensorRT. Обновление v3.0 добавило в шейп модуль двунаправленной конкатенации (BiC), улучшающий сохранение пространственных признаков без чрезмерного увеличения количества параметров. Кроме того, в нем появилась стратегия обучения Anchor-Aided Training (AAT), которая объединяет преимущества стабильности на основе якорей во время model training при сохранении быстрой архитектуры без якорей во время 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

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, созданной на базе фреймворка и инструментов Baidu's 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.
• Интеграция с экосистемой Meituan: Команды, уже работающие в стеке технологий и инфраструктуре развертывания Meituan's.

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.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Преимущество Ultralytics: развитие за пределами устаревших моделей#

Хотя PP-YOLOE+ и YOLOv6-3.0 предлагают целевые решения, современная разработка ИИ требует универсальных и эффективных с точки зрения памяти рабочих процессов. Именно здесь Ultralytics Platform обеспечивает непревзойденный опыт разработки. С помощью единого API на Python ты можешь бесшовно обучать, валидировать и развертывать передовые модели без огромных накладных расходов на конфигурацию, которые обычно встречаются в старых исследовательских репозиториях.

Модели Ultralytics нативно поддерживают широкий спектр задач компьютерного зрения помимо стандартного детектирования, включая instance segmentation, pose estimation, image classification и извлечение Oriented Bounding Box (OBB). Более того, они высоко оптимизированы для меньшего потребления памяти во время обучения — в резком контрасте с transformer-based models вроде RT-DETR, которые обычно требуют огромных объемов видеопамяти GPU.

Открой для себя YOLO26: новый стандарт#

Для организаций, стремящихся развернуть передовые модели компьютерного зрения нового поколения, Ultralytics YOLO26 (выпущенная в январе 2026 года) переопределяет границы производительности. Она значительно превосходит старые поколения благодаря нескольким ключевым инновациям:

• Дизайн End-to-End без NMS: Опираясь на концепции из YOLOv10, YOLO26 полностью исключает постобработку Non-Maximum Suppression (NMS). Такой нативный подход «от конца до конца» гарантирует предсказуемый инференс с ультранизкой задержкой, что критически важно для систем безопасности в реальном 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 высокостабильные сеансы custom training.
• ProgLoss + STAL: Эти передовые формулировки функции потерь обеспечивают заметные улучшения в распознавании мелких объектов, что жизненно важно для таких приложений, как aerial drone imagery и анализ многолюдных сцен.

Бесшовная реализация#

Обучение и экспорт передовых моделей с использованием Ultralytics Python package невероятно просты. Следующий пример демонстрирует, как обучить последнюю модель YOLO26 и экспортировать ее в формат 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")

Для команд, глубоко интегрированных в старые рабочие процессы, но стремящихся к современной стабильности, изучение Ultralytics YOLO11 также станет отличным переходным шагом, предлагающим универсальность задач, подкрепленную полной экосистемой Ultralytics.