PP-YOLOE+ и YOLOv7
При создании конвейеров компьютерного зрения крайне важно выбрать подходящую модель обнаружения объектов. Две значимые архитектуры 2022 года — PP-YOLOE+ и YOLOv7 — привнесли важные усовершенствования в обнаружение объектов в реальном времени. В этом техническом сравнении рассматриваются их архитектуры, методы обучения и производительность в реальных условиях, чтобы помочь тебе принимать обоснованные решения для своих приложений.
Обзор моделей#
PP-YOLOE+ и YOLOv7 созданы для повышения точности и скорости, но развиваются в разных экосистемах и основаны на разных принципах проектирования.
PP-YOLOE+#
Разработанная авторами PaddlePaddle в Baidu, PP-YOLOE+ основана на PP-YOLOE и более ранней модели PP-YOLOv2. Ее представили как эффективный и точный 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+
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
Архитектурные инновации#
Архитектура PP-YOLOE+#
PP-YOLOE+ использует архитектуру без якорей, упрощая развертывание за счет отсутствия необходимости настраивать якорные рамки для пользовательских наборов данных. В основе модели лежит CSPRepResNet, а для эффективного объединения признаков разных масштабов используется PAN в стиле CSPNet (сеть агрегации путей). Кроме того, во время обучения модель применяет обучение с выравниванием задач (TAL), динамически согласующее задачи классификации и локализации и обеспечивающее высокую точность в различных задачах компьютерного зрения.
Архитектура YOLOv7#
YOLOv7 применяет иной подход, представляя расширенную эффективную сеть агрегации слоев (E-ELAN). Благодаря этой архитектуре сеть может изучать более разнообразные признаки, не нарушая исходный путь градиента, что улучшает сходимость. YOLOv7 также активно использует репараметризацию модели, в частности заранее спланированные репараметризованные свертки, которые объединяют сверточные слои во время инференса, ускоряя выполнение без снижения точности. Поэтому YOLOv7 хорошо подходит для задач на GPU, таких как отслеживание нескольких объектов и сложные системы охранной сигнализации.
Анализ производительности#
При выборе между скоростью, количеством параметров и точностью (mAP) лидер зависит от конкретного варианта модели и целевого оборудования. В таблице ниже сравниваются их показатели.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLOv7l | 640 | 51.4 | - | 6.84 | 36.9 | 104.7 |
| YOLOv7x | 640 | 53.1 | - | 11.57 | 71.3 | 189.9 |
Модель PP-YOLOE+x обеспечивает немного более высокий mAP, однако варианты YOLOv7 отличаются очень хорошим соотношением количества параметров и точности. Архитектура YOLOv7 остается популярным выбором для обработки на GPU, где оптимизация TensorRT обеспечивает очень низкую задержку.
Преимущества Ultralytics#
При обучении и развертывании этих моделей выбранный фреймворк не менее важен, чем сама модель. Благодаря унифицированному Python API Ultralytics обеспечивает упрощенную работу пользователя, облегчая весь жизненный цикл машинного обучения.
- Поддерживаемая экосистема: модели Ultralytics YOLO используют постоянно развивающуюся экосистему, подробную документацию и активное сообщество.
- Требования к памяти: Ultralytics оптимизирует загрузку данных и процедуры обучения. Для обучения моделей Ultralytics YOLO обычно требуется намного меньше памяти CUDA, чем для тяжелых архитектур на основе Transformer, поэтому разработчики могут использовать более крупные размеры пакета 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 запуску экспортированных моделей из исходной версии YOLOv7 см. в документации YOLOv7), но для обучения современной модели Ultralytics YOLO достаточно нескольких строк кода вместо сложных обучающих скриптов:
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 вехами в обнаружении объектов, но ландшафт ИИ быстро меняется. Для любого нового проекта компьютерного зрения рекомендуется модель Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 стала крупным шагом вперед в развитии ИИ для компьютерного зрения с приоритетной поддержкой периферийных устройств.
Почему YOLO26 превосходит старые архитектуры:
- Сквозная архитектура без NMS: YOLO26 изначально работает сквозным образом. Опциональная голова «один к одному» (
nms=False) позволяет пропустить постобработку с подавлением немаксимумов (NMS), обеспечивая предсказуемую задержку инференса. Этот подход 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: в сценариях без выделенных GPU, например с датчиками IoT для умного города, YOLO26 эффективно работает на CPU: YOLO26n до 43% быстрее YOLO11n.
- Оптимизатор MuSGD: вдохновленная передовыми методами обучения LLM, например использованными для Kimi K2 от Moonshot AI, YOLO26 применяет гибрид SGD и Muon для стабильного обучения и быстрой сходимости.
- ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов заметно улучшают обнаружение небольших объектов. Это особенно важно для таких задач, как аэрофотосъемка с дронов и обнаружение дефектов на производстве.
Оптимальные сценарии применения и развертывания#
Когда стоит выбрать PP-YOLOE+#
PP-YOLOE+ — естественный выбор, если ты тесно работаешь в экосистеме Baidu и PaddlePaddle. Если целевое оборудование развертывания специально рассчитано на модели Paddle, PP-YOLOE+ обеспечивает высокую точность и тесную интеграцию. Модель особенно эффективна для автоматизации промышленного производства.
Когда использовать YOLOv7#
YOLOv7 остается хорошим выбором для высокопроизводительного инференса общего назначения, особенно при развертывании на оборудовании NVIDIA с использованием TensorRT. Интеграция с экосистемой PyTorch делает модель универсальным решением для академических исследований и пользовательских коммерческих конвейеров, например для управления толпой в реальном времени или задач оценки позы.
Другие модели, которые стоит рассмотреть#
В зависимости от конкретных потребностей тебе также может быть интересно сравнить эти архитектуры с YOLO11, которая отличается универсальностью и готовностью к промышленному развертыванию, или с RT-DETR, если проекту нужны особые преимущества обнаружения объектов на основе Transformer по сравнению с традиционными сверточными сетями.
Заключение#
PP-YOLOE+ и YOLOv7 значительно усовершенствовали обнаружение объектов в реальном времени. PP-YOLOE+ отлично работает в средах, стандартизированных на PaddlePaddle, а YOLOv7 обеспечивает гибкость и производительность благодаря экосистеме PyTorch.
Однако по мере развития решений для компьютерного зрения важно использовать современные инструменты. Применяя Ultralytics Platform и архитектуры нового поколения, такие как YOLO26, разработчики могут поддерживать актуальность своих приложений по скорости, точности и простоте использования.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.