PP-YOLOE+ против YOLOv7#

При создании конвейеров компьютерного зрения выбор правильной модели обнаружения объектов имеет решающее значение. Две значимые архитектуры 2022 года, PP-YOLOE+ и YOLOv7, представили мощные достижения в области обнаружения объектов в реальном времени. Это техническое сравнение дает глубокий обзор их архитектур, методологий обучения и производительности в реальных условиях, чтобы помочь тебе принять обоснованные решения для твоих приложений.

Обзор моделей#

И PP-YOLOE+, и YOLOv7 были разработаны, чтобы раздвинуть границы точности и скорости, но они происходят из разных экосистем разработки и проектных философий.

PP-YOLOE+#

Разработанная авторами PaddlePaddle в Baidu, модель PP-YOLOE+ основана на оригинальной PP-YOLOv2. Она была представлена как эффективный и высокоточный детектор объектов, оптимизированный для экосистемы PaddlePaddle.

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

Узнай больше о PP-YOLOE+

YOLOv7#

Разработанная Чиен-Яо Ваном (Chien-Yao Wang), Алексеем Бочковским и Хун-Юань Марком Ляо (Hong-Yuan Mark Liao), модель YOLOv7 представила «обучаемый набор бесплатных инструментов» (trainable bag-of-freebies), установив на момент своего выпуска новые современные стандарты 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: YOLOv7 Repository
• Документация: Документация Ultralytics YOLOv7

Узнай больше о YOLOv7

Архитектурные инновации#

Архитектура PP-YOLOE+#

PP-YOLOE+ сильно полагается на парадигму без якорей (anchor-free), что упрощает процесс развертывания за счет устранения необходимости настраивать якорные боксы для пользовательских наборов данных. Она включает в себя мощный бэкбон RepResNet и CSPNet-подобную сеть PAN (Path Aggregation Network) для эффективного слияния признаков на разных масштабах. Кроме того, она использует концепцию Task Alignment Learning (TAL) для динамического выравнивания задач классификации и локализации во время обучения, обеспечивая высокую точность в различных задачах компьютерного зрения.

Архитектура YOLOv7#

YOLOv7 пошла по другому пути, представив сеть Extended Efficient Layer Aggregation Network (E-ELAN). Эта архитектура позволяет сети изучать более разнообразные признаки без разрушения исходного градиентного пути, что приводит к лучшей сходимости. YOLOv7 также активно использует репараметризацию моделей — в частности, запланированные репараметризованные свёртки — которые объединяют свёрточные слои во время инференса для ускорения выполнения без ущерба для точности. Это делает YOLOv7 исключительно сильной в таких задачах, как трекинг множества объектов и сложные системы охранной сигнализации.

Анализ производительности#

При балансировке скорости, параметров и точности (mAP) модели показывают разные результаты в зависимости от конкретного варианта и целевого оборудования. Ниже приведено подробное сравнение их метрик.

Хотя модель PP-YOLOE+x достигает немного более высокого mAP, варианты YOLOv7 предлагают очень прочное соотношение параметров и точности. Архитектура YOLOv7 остается фаворитом для обработки на «сыром» GPU, где оптимизация TensorRT обеспечивает исключительно низкую задержку.

Преимущество Ultralytics#

При обучении и развертывании этих моделей выбранный тобой фреймворк так же важен, как и сама модель. Использование Ultralytics обеспечивает оптимизированный пользовательский опыт благодаря высокоунифицированному Python API, который упрощает весь цикл машинного обучения.

• Поддерживаемая экосистема: Модели Ultralytics YOLO выигрывают от постоянно обновляемой экосистемы, надежной документации и активного сообщества.
• Требования к памяти: Ultralytics тщательно оптимизирует загрузку данных и режимы обучения. Обучение моделей Ultralytics YOLO обычно требует гораздо меньше памяти CUDA по сравнению с тяжелыми архитектурами на базе трансформеров, что позволяет разработчикам использовать большие размеры батчей на оборудовании потребительского уровня.
• Эффективность обучения: Используя надежные стратегии аугментации данных и встроенную настройку гиперпараметров, Ultralytics гарантирует, что модели быстро сходятся с готовыми предобученными весами.

Простая реализация API#

Обучение модели YOLOv7 с помощью Ultralytics занимает всего несколько строк кода, полностью абстрагируя сложные сценарии обучения:

from ultralytics import YOLO

# Load a pretrained YOLOv7 model
model = YOLO("yolov7.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to TensorRT for deployment
model.export(format="engine", device=0)

Новый стандарт: представляем YOLO26#

Хотя PP-YOLOE+ и YOLOv7 являются вехами в детекции объектов, ландшафт ИИ развивается быстро. Для любого нового проекта по компьютерному зрению мы настоятельно рекомендуем Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 представляет собой огромный шаг вперед в области edge-first vision ИИ.

Почему YOLO26 превосходит старые архитектуры:

• End-to-End дизайн без NMS: YOLO26 является нативно end-to-end. Исключая постобработку Non-Maximum Suppression (NMS), она гарантирует предсказуемую и детерминированную задержку инференса — прорыв, впервые увиденный в YOLOv10.
• Удаление DFL: Удаление Distribution Focal Loss упрощает процесс экспорта и значительно улучшает совместимость для маломощных периферийных устройств.
• Инференс на CPU быстрее до 43%: Для сценариев без выделенных GPU, таких как IoT-сенсоры умного города, YOLOv26 сильно оптимизирована для эффективной работы прямо на CPU.
• Оптимизатор MuSGD: Вдохновленная передовыми методами обучения LLM (такими как Kimi K2 от Moonshot AI), YOLO26 использует гибрид SGD и Muon для невероятно стабильного обучения и быстрой сходимости.
• ProgLoss + STAL: Эти улучшенные функции потерь приносят заметные улучшения в детекцию мелких объектов, что жизненно важно для таких сценариев использования, как аэрофотоснимки с дронов и детекция дефектов на производстве.

Узнай больше о YOLO26

Идеальные варианты использования и сценарии развертывания#

Когда использовать PP-YOLOE+#

PP-YOLOE+ сияет, когда ты глубоко погружен в экосистему Baidu и PaddlePaddle. Если твой целевой объект развертывания использует специализированное железо под модели Paddle (например, в определенных азиатских производственных линиях), PP-YOLOE+ обеспечивает отличную точность и бесшовную интеграцию. Она высокоэффективна для автоматизации промышленного производства.

Когда использовать YOLOv7#

YOLOv7 остается отличным выбором для общего высокопроизводительного инференса, особенно при развертывании на железе NVIDIA с использованием TensorRT. Ее интеграция в экосистему PyTorch делает ее очень универсальной для академических исследований и пользовательских коммерческих пайплайнов, таких как управление толпой в реальном времени или сложные задачи оценки позы, где структурная целостность сети имеет первостепенное значение.

Другие модели для рассмотрения#

В зависимости от твоих точных потребностей, тебе также может быть интересно сравнить эти архитектуры с YOLO11 для широкой гибкости, готовой к продакшену, или с RT-DETR, если твой проект требует специфических преимуществ vision-трансформеров перед традиционными свёрточными сетями.

Заключение#

И PP-YOLOE+, и YOLOv7 привнесли значительные улучшения в мир обнаружения объектов в реальном времени. В то время как PP-YOLOE+ преуспевает в средах, стандартизированных вокруг PaddlePaddle, YOLOv7 предлагает невероятную гибкость и производительность через экосистемы PyTorch и Ultralytics.

Однако, поскольку решения для компьютерного зрения продолжают развиваться, использование современных инструментов имеет важное значение. Применяя платформу Ultralytics и архитектуры нового поколения вроде YOLO26, разработчики могут гарантировать, что их приложения остаются на переднем крае скорости, точности и простоты использования.