PP-YOLOE+ и YOLOv8#

Спрос на высокопроизводительные модели для компьютерного зрения в реальном времени ускорил инновации во всей отрасли ИИ. Выбор подходящей архитектуры может определить, будет ли развертывание успешным и эффективным или превратится в громоздкий конвейер, требующий больших ресурсов. В этом техническом руководстве подробно сравниваются PP-YOLOE+ и Ultralytics YOLOv8: мы рассмотрим их архитектуру, эффективность обучения и оптимальные сценарии развертывания.

Знакомство с архитектурами#

Обе модели стали важными этапами развития обнаружения объектов, однако они созданы в совершенно разных экосистемах и в соответствии с разными принципами разработки.

PP-YOLOE+#

Разработанная как расширение набора инструментов PaddleDetection, PP-YOLOE+ развивает предыдущие версии серии PP-YOLO. Модель оптимизирована для фреймворка глубокого обучения PaddlePaddle и в первую очередь предназначена для промышленного развертывания на отдельных азиатских рынках, где широко используется программный стек Baidu.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Документация: конфигурация PP-YOLOE+

PP-YOLOE+ использует backbone CSPRepResNet и голову Efficient Task-aligned (ET-head), которая динамически согласует задачи классификации и локализации. Хотя на стандартизированных бенчмарках модель обеспечивает высокую среднюю точность (mAP), сильная зависимость от экосистемы PaddlePaddle может осложнить работу разработчиков, привыкших к более распространенным фреймворкам.

Узнай больше о PP-YOLOE+

Ultralytics YOLOv8#

Выпущенная Ultralytics как крупный шаг вперед, YOLOv8 задала новый уровень качества для обнаружения объектов, обеспечив широкому сообществу разработчиков PyTorch беспрецедентную простоту использования, высокую универсальность и быстрое выполнение.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: ultralytics/ultralytics
• Документация: Документация YOLOv8

В YOLOv8 появилась высокооптимизированная голова обнаружения без анкеров, а устаревший модуль C3 заменил переработанный строительный блок C2f. Такая архитектура улучшает распространение градиентов и значительно ускоряет обучение модели. YOLOv8 — универсальная модель для решения множества задач: помимо обычного обнаружения, она поддерживает сегментацию экземпляров, классификацию изображений и оценку позы через один и тот же удобный API.

Сравнение производительности и метрик#

Прямое сравнение этих архитектур показывает разные компромиссы между общим количеством параметров и задержкой инференса. Ниже приведены результаты на наборе данных COCO.

Хотя крупнейшая модель PP-YOLOE+x немного превосходит YOLOv8x по mAP, для этого ей требуется почти 100M параметров. Модели Ultralytics YOLOv8 неизменно обеспечивают гораздо более сбалансированную производительность. По сравнению с более тяжелыми аналогами архитектуры YOLOv8 требуют значительно меньше памяти при обучении и инференсе, поэтому отлично подходят для масштабирования в производственной среде.

Преимущества экосистемы Ultralytics#

При оценке моделей окружающая экосистема не менее важна, чем сама архитектура. Чтобы работать с PP-YOLOE+, приходится разбираться в сложных конфигурационных файлах и зависимостях фреймворка PaddlePaddle.

Экосистема Ultralytics, напротив, создана для максимальной скорости разработки. Она хорошо поддерживается, располагает удобным Python API и очень активным сообществом. Кроме того, платформа Ultralytics упрощает весь конвейер ML: она обеспечивает удобное управление наборами данных, облачное обучение и простой экспорт в такие форматы, как ONNX и TensorRT.

Простота использования: сравнение кода#

Для обучения современного детектора объектов с помощью Ultralytics достаточно нескольких строк кода. Тебе не придется разбираться в сложных иерархических папках с конфигурациями.

from ultralytics import YOLO

# Загрузи предварительно обученную малую модель YOLOv8
model = YOLO("yolov8s.pt")

# Эффективно обучаем модель на собственном наборе данных
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Оцениваем модель по метрикам mAP
metrics = model.val()

# Экспортируем модель для высокоскоростного развертывания на периферийных устройствах
model.export(format="engine", dynamic=True)  # Экспортируем в TensorRT

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLOv8 зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

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 выбрать YOLOv8#

YOLOv8 подойдет для:

• Универсальное решение для нескольких задач: проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
• Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

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.

За пределами YOLOv8: начало эпохи YOLO26#

YOLOv8 остается надежным и проверенным решением, однако разработчикам, которым нужны самые передовые технологии, стоит обратить внимание на Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 берет за основу принципы архитектур YOLO и развивает их в полноценный ИИ-фреймворк с приоритетом периферийных устройств.

YOLO26 предлагает несколько революционных инноваций, превосходящих возможности PP-YOLOE+ и предыдущих поколений YOLO, включая YOLO11:

• Сквозная архитектура без NMS: Развивая идеи YOLOv10, YOLO26 предлагает дополнительную сквозную голову (nms=False). Отказ от постобработки методом подавления немаксимумов (NMS) обеспечивает стабильный инференс с минимальной задержкой независимо от того, насколько загружена сцена.
• До 43% быстрее инференс на CPU: Благодаря целенаправленному отказу от Distribution Focal Loss (DFL) YOLO26 значительно снижает вычислительные затраты и гораздо быстрее работает на периферийных CPU. Это делает модель идеальной для приложений умного города и IoT, где нет дорогих GPU.
• Оптимизатор MuSGD: YOLO26 использует инновации из области обучения больших языковых моделей (LLM). Гибридный оптимизатор MuSGD обеспечивает беспрецедентную стабильность и ускоряет сходимость при обучении.
• ProgLoss + STAL: Эти усовершенствованные функции потерь значительно повышают качество обнаружения мелких и удаленных объектов. Это настоящий прорыв для операторов дронов, анализирующих аэрофотосъемку, и для обнаружения дефектов на быстро движущихся производственных линиях.

Разработчикам, которые начинают новые проекты в области компьютерного зрения, мы однозначно рекомендуем YOLO26.

Применение в реальных условиях#

Выбор между этими моделями часто зависит от конкретных условий развертывания:

В чем сильна PP-YOLOE+:

• Специализированные аппаратные экосистемы Азии: Если ты развертываешь модель исключительно на оборудовании с поддержкой Baidu, где в качестве среды выполнения необходима PaddlePaddle, PP-YOLOE+ обеспечивает надежную встроенную интеграцию.
• Большие нагрузки на серверной стороне: Модель подойдет, если количество параметров и ограничения по памяти не имеют значения, а инференс выполняется только на автономном сервере.

В чем сильны Ultralytics YOLOv8 и YOLO26:

• Динамичные периферийные вычисления: От устройств NVIDIA Jetson до обычных Raspberry Pi — модели Ultralytics оптимально сочетают скорость работы и небольшой объем памяти.
• Конвейеры для нескольких задач: Если приложению нужно перейти от простых ограничивающих рамок к ориентированным ограничивающим рамкам (OBB) для анализа аэрофотосъемки или к оценке позы для поведенческого анализа, Ultralytics из коробки поддерживает все эти задачи.
• От быстрого прототипирования до производства: Экосистема Ultralytics позволяет командам быстро проводить итерации. Благодаря готовым предварительно обученным весам ты можешь создать, обучить и развернуть собственную модель через платформу Ultralytics за гораздо меньшее время, чем потребовалось бы с конкурирующими архитектурами.

Хотя PP-YOLOE+ показывает конкурентоспособные результаты на бенчмарках, непревзойденная универсальность, простота использования и непрерывные инновации, подтвержденные выпуском YOLO26, делают модели Ultralytics лучшим выбором для современных разработчиков и исследователей.