PP-YOLOE+ и YOLOv8#

Спрос на высокопроизводительные модели компьютерного зрения для работы в реальном времени ускорил инновации во всей отрасли ИИ. Выбор подходящей архитектуры может определить, будет ли развертывание эффективным или превратится в громоздкий, ресурсоемкий конвейер. В этом техническом руководстве сравниваются PP-YOLOE+ и Ultralytics YOLOv8, рассматриваются их архитектуры, 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 PaddleDetection, PP-YOLOE+ продолжает развитие предыдущих версий серии PP-YOLO. Модель глубоко оптимизирована для фреймворка глубокого обучения PaddlePaddle и в первую очередь предназначена для промышленных развертываний на программном стеке 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 основу CSPRepResNet и эффективную голову, согласованную с задачами (ET-head), которая динамически согласует задачи классификации и локализации. Модель обеспечивает высокий показатель средней точности (mAP) на стандартизированных тестах, однако сильная зависимость от экосистемы PaddlePaddle может создавать трудности разработчикам, привыкшим к более распространенным фреймворкам.

Узнай больше о PP-YOLOE+

Ultralytics YOLOv8#

Выпущенная Ultralytics в январе 2023 года, YOLOv8 на тот момент установила новый уровень качества в обнаружении объектов, предложив сообществу разработчиков PyTorch простоту использования, широкие возможности и высокую скорость выполнения.

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

В YOLOv8 появились оптимизированная безъякорная голова обнаружения и переработанный строительный блок C2f, заменивший более старый модуль C3. Такая архитектура улучшает распространение градиентов и ускоряет обучение модели. Помимо простого обнаружения, YOLOv8 — модель для решения нескольких задач, поддерживающая сегментацию экземпляров, классификацию изображений и оценку позы с помощью одного и того же удобного API.

Сравнение производительности и метрик#

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

Хотя самая крупная модель PP-YOLOE+x немного превосходит YOLOv8x по mAP, для этого требуется почти 100M параметров. Модели Ultralytics YOLOv8 неизменно обеспечивают более сбалансированную производительность. Для обучения и инференса архитектурам YOLOv8 требуется значительно меньше памяти, чем более тяжелым аналогам, поэтому они хорошо 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.

В отличие от этого, среда Ultralytics создана для ускорения разработки. Хорошо поддерживаемая экосистема предлагает простой Python API и очень активное сообщество. Платформа Ultralytics также упрощает весь конвейер машинного обучения: она предоставляет управление наборами данных, облачное обучение и простой экспорт в форматы, такие как ONNX и TensorRT.

Простота использования: сравнение кода#

Обучить детектор объектов с Ultralytics можно всего несколькими строками кода. Не нужно разбираться в сложных иерархических папках конфигурации.

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 развёртывание 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 GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное 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 вариантом, но разработчикам, которым нужны новейшие достижения, стоит обратить внимание на Ultralytics YOLO26. Выпущенная в январе 2026 года YOLO26 развивает базовые принципы архитектур YOLO в семействе моделей ИИ с приоритетной поддержкой периферийных устройств.

YOLO26 предлагает несколько инноваций, улучшающих PP-YOLOE+ и предыдущие поколения YOLO, включая YOLO11:

• Сквозная архитектура без NMS: развивая идеи YOLOv10, YOLO26 предлагает опциональную сквозную голову (nms=False). Устраняя постобработку с помощью подавления немаксимумов (NMS), она обеспечивает стабильный инференс с низкой задержкой независимо от загруженности сцены.
• Инференс на CPU до 43% быстрее: удаление Distribution Focal Loss (DFL) значительно снижает вычислительные затраты YOLO26. Благодаря этому YOLO26n работает на периферийных CPU до 43% быстрее YOLO11n и подходит для приложений умного города и IoT, где нет дорогостоящих GPU.
• Оптимизатор MuSGD: YOLO26 использует методы обучения больших языковых моделей (LLM). Гибридный оптимизатор MuSGD повышает стабильность и ускоряет сходимость во время обучения.
• ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов значительно улучшают обнаружение небольших и удаленных объектов. Это серьезное преимущество для операторов дронов, анализирующих аэрофотосъемку, и для обнаружения дефектов на быстро движущихся производственных линиях.

Разработчикам, начинающим новые проекты компьютерного зрения, рекомендуется YOLO26.

Применение в реальных условиях#

Выбор между этими моделями часто зависит от конкретных условий развертывания:

В чем сильна PP-YOLOE+:

• Аппаратные экосистемы, специфичные для Paddle: если ты развертываешь модель исключительно на оборудовании, поддерживаемом Baidu, где PaddlePaddle — обязательная среда выполнения, PP-YOLOE+ обеспечивает надежную нативную 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:

• Динамические периферийные вычисления: от устройств NVIDIA Jetson до плат Raspberry Pi модели Ultralytics обеспечивают оптимальный баланс скорости и небольшого объема памяти.
• Мультитасковые конвейеры: если приложению нужно перейти от обычных ограничивающих рамок к ориентированным ограничивающим рамкам (OBB) для аэрофотосъемки или к оценке позы для анализа поведения, Ultralytics поддерживает эти задачи из коробки.
• От быстрого прототипирования до производства: экосистема Ultralytics помогает командам быстро выполнять итерации. Благодаря доступности предварительно обученных весов на платформе Ultralytics Platform можно гораздо быстрее обучать и развертывать пользовательские модели, чем с конкурирующими архитектурами.

Несмотря на конкурентные результаты PP-YOLOE+, универсальность, простота использования и постоянное развитие моделей Ultralytics, в том числе недавний выпуск YOLO26, делают их лучшим выбором для современных разработчиков и исследователей.