PP-YOLOE+ и YOLOv9#

Ландшафт компьютерного зрения в реальном времени постоянно меняется: исследователи и разработчики непрерывно расширяют границы точности и скорости инференса. Сравнивая PP-YOLOE+ и YOLOv9, мы рассматриваем две различные концепции архитектуры моделей и построения экосистемы.

В этом подробном техническом сравнении анализируются архитектурные инновации, показатели производительности, методики обучения и оптимальные варианты применения этих моделей, чтобы помочь тебе выбрать подходящую модель для обнаружения объектов в следующем проекте.

Происхождение моделей и технические основы#

Понимание происхождения и архитектурных решений этих моделей крайне важно для определения их пригодности для твоих проектов в области компьютерного зрения.

Обзор PP-YOLOE+#

Разработанная авторами PaddlePaddle из Baidu, PP-YOLOE+ была представлена 2 апреля 2022 года. Она развивает предыдущие версии в рамках фреймворка PaddleDetection, обеспечивая высокопроизводительное обнаружение объектов.

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

PP-YOLOE+ использует надежную безъякорную архитектуру, тщательно оптимизированную для развертывания в экосистеме PaddlePaddle. В ней применяются модифицированные backbone CSPRepResNet и ET-head для улучшения извлечения признаков и регрессии ограничивающих рамок. Несмотря на высокую среднюю точность (mAP), зависимость от фреймворка PaddlePaddle иногда создает сложности с интеграцией для разработчиков, привыкших к PyTorch или TensorFlow.

Узнай больше о PP-YOLOE+

Обзор YOLOv9#

Представленная Ченем-Яо Ваном и Хун-Юанем Марком Ляо из Института информационных наук Академии Синика (Тайвань), YOLOv9 совершает значительный прорыв в эффективной обработке информационных узких мест глубокого обучения.

• Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
• Организация: Институт информационных наук Academia Sinica, Тайвань
• Дата: 2024-02-21
• Arxiv: 2402.13616
• GitHub: WongKinYiu/yolov9

Главным прорывом YOLOv9 стала программируемая информация о градиентах (PGI), предотвращающая потерю данных при прохождении признаков через глубокие нейронные сети. В сочетании с обобщенной сетью эффективной агрегации слоев (GELAN) YOLOv9 максимизирует эффективность использования параметров и вычислительного потока. Кроме того, она изначально интегрирована в экосистему Ultralytics, что делает ее удобной как для исследовательских, так и для коммерческих приложений.

Узнай больше о YOLOv9

Сравнение производительности и метрик#

При анализе необработанных показателей производительности YOLOv9 демонстрирует исключительную эффективность использования параметров. Она обеспечивает сопоставимую или более высокую точность при меньшем количестве параметров и FLOPs, что снижает требования к VRAM во время обучения модели.

Как видно из таблицы, YOLOv9c достигает высокого показателя 53.0 mAP при значительно меньшем количестве параметров (25.3M), чем сопоставимая PP-YOLOE+l (52.2M). Благодаря меньшему потреблению памяти YOLOv9 становится лучшим выбором для разработчиков, работающих с ограниченными ресурсами GPU.

Экосистема, универсальность и удобство использования#

Главное преимущество YOLOv9 заключается в бесшовной интеграции с поддерживаемой экосистемой Ultralytics. Если для PP-YOLOE+ требуется разбираться в сложных конфигурационных файлах PaddlePaddle, YOLOv9 использует упрощенный Python API.

Python API Ultralytics позволяет разработчикам загружать предварительно обученные веса, управлять аугментацией данных и запускать обучение с минимальным количеством шаблонного кода.

from ultralytics import YOLO

# Load a pretrained YOLOv9 model
model = YOLO("yolov9c.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
model.export(format="onnx")

Кроме того, экосистема Ultralytics обеспечивает непревзойденную универсальность. Помимо обнаружения ограничивающих рамок, фреймворк изначально поддерживает сегментацию экземпляров, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). Благодаря этому адаптировать модель к сложным конвейерам реального мира становится исключительно просто.

Варианты применения и рекомендации#

Выбор между PP-YOLOE+ и YOLOv9 зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — хороший выбор для:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами инференса, специально предназначенными для Paddle Lite или механизма инференса Paddle.
• Высокоточное обнаружение на сервере: Сценарии, в которых приоритетом является максимальная точность обнаружения на мощных GPU-серверах, а зависимость от фреймворка не имеет значения.

Когда стоит выбрать YOLOv9#

YOLOv9 рекомендуется для:

• Исследований информационного узкого места: академических проектов, изучающих архитектуры Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).
• Исследований оптимизации потока градиентов: работ, посвященных пониманию и устранению потери информации в слоях глубоких сетей во время обучения.
• Сравнительного тестирования обнаружения с высокой точностью: сценариев, где высокие результаты YOLOv9 на тесте COCO нужны как эталон для архитектурных сравнений.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Взгляд в будущее: преимущества YOLO26#

Хотя и PP-YOLOE+, и YOLOv9 обладают высокой мощностью, недавно выпущенная YOLO26 представляет собой следующий определяющий этап для производственных сред. Выпущенная в январе 2026 года, YOLO26 устанавливает новый стандарт для периферийных вычислений и облачных развертываний. Мы настоятельно рекомендуем YOLO26 для всех новых проектов в области компьютерного зрения благодаря ее прорывным инновациям:

• Сквозная архитектура без NMS: YOLO26 изначально является сквозной моделью, полностью устраняя необходимость в постобработке с подавлением немаксимумов (NMS). Это значительно упрощает конвейеры развертывания и сокращает задержку.
• До 43% более быстрый инференс на CPU: Благодаря специальной оптимизации архитектуры для периферийных вычислений YOLO26 значительно быстрее работает на оборудовании без выделенных GPU.
• Удаление DFL: Distribution Focal Loss удалена, что упрощает экспорт и значительно повышает совместимость с периферийными устройствами с низким энергопотреблением.
• Оптимизатор MuSGD: Этот гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей, такими как Kimi K2 от Moonshot AI, обеспечивает исключительно стабильную динамику обучения и быструю сходимость.
• ProgLoss + STAL: Эти передовые функции потерь заметно улучшают распознавание небольших объектов, что особенно важно для аэрофотосъемки и робототехники.
• Улучшения для конкретных задач: YOLO26 включает специализированные архитектуры для определенных задач, например multi-scale proto для сегментации и оценку остаточного логарифмического правдоподобия (RLE) для оценки позы.

Ты можешь легко обучать и развертывать модели YOLO26 с помощью платформы Ultralytics — универсального решения для аннотирования датасетов, облачного обучения и мониторинга моделей.

Практические применения#

Выбор между этими архитектурами часто сводится к целевой среде развертывания.

PP-YOLOE+ часто развертывают на промышленных производственных предприятиях, особенно в регионах, где интеграция с PaddlePaddle и аппаратный стек Baidu глубоко встроены в корпоративную инфраструктуру. Эта модель особенно эффективна для анализа статичных изображений, где абсолютная точность важнее строгих ограничений реального времени.

YOLOv9 отлично показывает себя в динамических средах, требующих быстрого инференса в реальном времени. Благодаря высокой эффективности использования параметров она идеально подходит для автономной навигации дронов и периферийных систем безопасности. Кроме того, меньшее потребление VRAM снижает порог входа для исследователей, обучающих модели на GPU потребительского класса.

Для максимальной производительности в задачах управления трафиком умного города и высокоскоростной робототехники более новая YOLO26 не имеет равных, обеспечивая сквозную эффективность без издержек, связанных с узкими местами NMS.