PP-YOLOE+ и YOLOv7#

При построении конвейеров компьютерного зрения крайне важно выбрать подходящую модель обнаружения объектов. Две значимые архитектуры 2022 года, PP-YOLOE+ и YOLOv7, представили мощные усовершенствования для обнаружения объектов в реальном времени. В этом техническом сравнении подробно рассматриваются их архитектуры, методы обучения и результаты в реальных условиях, чтобы помочь тебе принять обоснованное решение для своих задач.

Обзор моделей#

И PP-YOLOE+, и YOLOv7 созданы для того, чтобы расширить границы точности и скорости, однако они принадлежат к разным экосистемам разработки и основаны на разных принципах проектирования.

PP-YOLOE+#

PP-YOLOE+, разработанная авторами PaddlePaddle из Baidu, стала развитием оригинальной PP-YOLOv2. Её представили как эффективный и высокоточный детектор объектов, оптимизированный для экосистемы PaddlePaddle.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: 2203.16250
• GitHub: Репозиторий PaddleDetection
• Документация: Документация PP-YOLOE+

Узнай больше о PP-YOLOE+

YOLOv7#

YOLOv7, разработанная Чиен-Яо Вангом, Алексеем Бочковским и Хун-Юань Марком Ляо, представила «обучаемый набор бесплатных улучшений» и на момент выхода установила новые рекордные показатели для детекторов объектов реального времени.

• Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
• Организация: Институт информатики, Academia Sinica, Тайвань
• Дата: 2022-07-06
• Arxiv: 2207.02696
• GitHub: Репозиторий YOLOv7
• Документация: Документация Ultralytics YOLOv7

Узнай больше о YOLOv7

Архитектурные инновации#

Архитектура PP-YOLOE+#

PP-YOLOE+ активно использует безанкерный подход, упрощая развёртывание за счёт отказа от настройки анкерных рамок для пользовательских наборов данных. В модели применяются мощный бэкбон RepResNet и сеть PAN в стиле CSPNet (сеть агрегации путей) для эффективного объединения признаков разных масштабов. Кроме того, во время обучения используется концепция выравнивания задач (TAL), которая динамически согласует задачи классификации и локализации и обеспечивает высокую точность при решении различных задач компьютерного зрения.

Архитектура YOLOv7#

В YOLOv7 применён другой подход — сеть E-ELAN (расширенная эффективная сеть агрегации слоёв). Эта архитектура позволяет сети изучать более разнообразные признаки, не нарушая исходный путь градиента, что улучшает сходимость. YOLOv7 также активно использует перепараметризацию модели, в частности запланированные перепараметризованные свёртки: во время инференса они объединяют свёрточные слои, ускоряя выполнение без потери точности. Благодаря этому YOLOv7 особенно эффективна для таких задач, как отслеживание нескольких объектов и сложные системы охранной сигнализации.

Анализ производительности#

При выборе между скоростью, количеством параметров и точностью (mAP) результаты моделей зависят от конкретной версии и целевого оборудования. Ниже приведено подробное сравнение их метрик.

Хотя модель PP-YOLOE+x показывает немного более высокий mAP, варианты YOLOv7 обеспечивают очень хорошее соотношение количества параметров и точности. Архитектура YOLOv7 остаётся популярным выбором для обработки на GPU, где оптимизация с помощью TensorRT обеспечивает исключительно низкую задержку.

Преимущества Ultralytics#

При обучении и развёртывании этих моделей выбор фреймворка не менее важен, чем сама модель. Ultralytics обеспечивает упрощённую работу благодаря унифицированному Python API, которое упрощает весь жизненный цикл машинного обучения.

• Поддерживаемая экосистема: модели Ultralytics YOLO используют постоянно развивающуюся экосистему, подробную документацию и активное сообщество.
• Требования к памяти: Ultralytics активно оптимизирует загрузку данных и режимы обучения. Для обучения моделей Ultralytics YOLO обычно требуется значительно меньше памяти CUDA, чем для ресурсоёмких архитектур на основе Transformer, что позволяет разработчикам использовать большие размеры батча на потребительском оборудовании.
• Эффективность обучения: благодаря надёжным стратегиям аугментации данных и встроенной настройке гиперпараметров модели Ultralytics быстро сходятся, используя готовые предобученные веса.

Простая реализация с помощью API#

Пакет Ultralytics не поддерживает нативное обучение YOLOv7 (инструкции по использованию экспортированных версий upstream YOLOv7 см. в документации YOLOv7), но для обучения современной модели Ultralytics YOLO достаточно нескольких строк кода: сложные сценарии обучения полностью скрыты от пользователя.

from ultralytics import YOLO

# Загрузи предобученную модель YOLO26
model = YOLO("yolo26n.pt")

# Обучи модель на собственном датасете
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель в TensorRT для развёртывания
model.export(format="engine", device=0)

Новый стандарт: представляем YOLO26#

PP-YOLOE+ и YOLOv7 стали важными этапами развития обнаружения объектов, но область ИИ стремительно меняется. Для любого нового проекта в области компьютерного зрения мы настоятельно рекомендуем Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 знаменует огромный скачок вперёд в области периферийного ИИ для компьютерного зрения.

Почему YOLO26 превосходит старые архитектуры:

• Сквозная архитектура без NMS: YOLO26 изначально является сквозной моделью. Благодаря дополнительной голове с соответствием один к одному (nms=False) модель пропускает постобработку с подавлением немаксимумов (NMS), обеспечивая предсказуемую детерминированную задержку инференса — это прорыв впервые появился в YOLOv10.
• Удаление DFL: отказ от Distribution Focal Loss упрощает экспорт и значительно повышает совместимость с маломощными периферийными устройствами.
• Инференс на CPU до 43% быстрее: YOLO26 специально оптимизирована для эффективной работы непосредственно на CPU в сценариях без выделенных GPU, например на датчиках IoT для умных городов.
• Оптимизатор MuSGD: вдохновлённая передовыми методами обучения LLM, например Kimi K2 от Moonshot AI, YOLO26 использует гибрид SGD и Muon для исключительно стабильного обучения и быстрой сходимости.
• ProgLoss + STAL: эти улучшенные функции потерь значительно повышают точность обнаружения небольших объектов, что важно для таких задач, как аэрофотосъёмка с дронов и обнаружение дефектов на производстве.

Оптимальные сценарии применения и развертывания#

Когда стоит выбрать PP-YOLOE+#

PP-YOLOE+ особенно эффективна, если ты глубоко интегрирован в экосистему Baidu и PaddlePaddle. Если для развёртывания используется специализированное оборудование, рассчитанное на модели Paddle (например, в некоторых производственных конвейерах Азии), PP-YOLOE+ обеспечит высокую точность и простую интеграцию. Модель отлично подходит для автоматизации промышленного производства.

Когда использовать YOLOv7#

YOLOv7 остаётся отличным выбором для универсального высокопроизводительного инференса, особенно при развёртывании на оборудовании NVIDIA с использованием TensorRT. Интеграция в экосистему PyTorch делает её универсальной для академических исследований и пользовательских коммерческих конвейеров, например для управления толпой в реальном времени или сложных задач оценки позы, где особенно важна структурная целостность сети.

Другие модели, которые стоит рассмотреть#

В зависимости от твоих задач может быть полезно сравнить эти архитектуры с YOLO11, которая отличается гибкостью для широкого спектра производственных сценариев, или с RT-DETR, если проекту нужны особые преимущества визуальных Transformer по сравнению с традиционными свёрточными сетями.

Заключение#

PP-YOLOE+ и YOLOv7 значительно продвинули обнаружение объектов в реальном времени. PP-YOLOE+ отлично подходит для сред, стандартизированных на PaddlePaddle, а YOLOv7 предлагает высокую гибкость и производительность благодаря экосистеме PyTorch.

Однако по мере развития решений для компьютерного зрения важно использовать современные инструменты. Используя платформу Ultralytics и архитектуры нового поколения, такие как YOLO26, разработчики могут поддерживать свои приложения на переднем крае по скорости, точности и простоте использования.