PP-YOLOE+ и YOLOv9
Компьютерное зрение в реальном времени продолжает развиваться благодаря тому, что исследователи и разработчики повышают точность и скорость инференса. Сравнивая PP-YOLOE+ и YOLOv9, ты сопоставляешь два разных подхода к архитектуре моделей и проектированию экосистемы.
В этом техническом сравнении анализируются архитектурные инновации, показатели производительности, методики обучения и оптимальные сценарии применения, чтобы помочь тебе выбрать подходящую модель для обнаружения объектов при следующем развертывании.
История моделей и технические основы#
Чтобы понять, насколько эти модели подходят для твоих проектов в области компьютерного зрения, важно знать их происхождение и архитектурные решения.
Обзор PP-YOLOE+#
PP-YOLOE+ разработали авторы PaddlePaddle из Baidu и представили 2 апреля 2022 года. Модель развивает предыдущие версии в составе фреймворка PaddleDetection, обеспечивая высокую производительность при обнаружении объектов.
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: 2203.16250
- GitHub: Репозиторий PaddleDetection
PP-YOLOE+ использует надежную безанкерную архитектуру, в значительной степени оптимизированную для развертывания в экосистеме PaddlePaddle. В модели применяются модифицированный backbone CSPRepResNet и голова ET-head, улучшающие извлечение признаков и регрессию ограничивающих рамок. Хотя модель обеспечивает высокую среднюю точность (mAP), зависимость от фреймворка PaddlePaddle иногда осложняет интеграцию для разработчиков, привыкших к PyTorch или TensorFlow.
Обзор YOLOv9#
YOLOv9, представленная Чиен-Яо Вангом и Хонг-Юань Марком Ляо из Института информатики Академии Синика на Тайване, стала важным шагом вперед в решении проблемы информационных узких мест в глубоких сетях.
- Авторы: Chien-Yao Wang и Hong-Yuan Mark Liao
- Организация: Институт информатики, Academia Sinica, Тайвань
- Дата: 2024-02-21
- arXiv: 2402.13616
- GitHub: WongKinYiu/yolov9
Главный вклад YOLOv9 — программируемая информация о градиенте (PGI), которая снижает потерю информации при прохождении признаков через глубокие нейронные сети. В сочетании с обобщенной эффективной сетью агрегации слоев (GELAN) YOLOv9 максимально повышает эффективность использования параметров и вычислительного потока. Модель также изначально интегрирована в экосистему Ultralytics, поэтому доступна для исследований и коммерческих приложений.
Сравнение производительности и метрик#
При анализе чистой производительности YOLOv9 демонстрирует высокую эффективность использования параметров. Модель обеспечивает сопоставимую или более высокую точность при меньшем количестве параметров и FLOPs, что снижает требования к VRAM во время обучения модели.
| 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 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
Как видно из таблицы, YOLOv9c обеспечивает высокий результат 53.0 mAP при значительно меньшем количестве параметров (25.5M), чем сопоставимая PP-YOLOE+l (52.2M). Благодаря меньшему потреблению памяти YOLOv9 лучше подходит разработчикам, работающим при ограниченных ресурсах GPU.
Экосистема, универсальность и простота использования#
Главное преимущество YOLOv9 — интеграция с хорошо поддерживаемой экосистемой Ultralytics. В то время как для PP-YOLOE+ приходится разбираться со сложными файлами конфигурации PaddlePaddle, YOLOv9 предлагает упрощенный Python API.
Python API Ultralytics позволяет разработчикам загружать предварительно обученные веса, управлять аугментацией данных и запускать обучение с минимальным объемом шаблонного кода.
from ultralytics import YOLO
# Загрузи предварительно обученную модель YOLOv9
model = YOLO("yolov9c.pt")
# Обучи модель на датасете COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Запустить инференс на изображении
results = model("https://ultralytics.com/images/bus.jpg")
# Экспортировать модель в формат ONNX
model.export(format="onnx")Экосистема Ultralytics также отличается широкими возможностями. Помимо обнаружения ограничивающих рамок, платформа изначально поддерживает сегментацию экземпляров, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). Благодаря этому модель можно эффективно адаптировать к сложным реальным рабочим процессам.
Сценарии использования и рекомендации#
Выбор между PP-YOLOE+ и YOLOv9 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 выбирать YOLOv9#
YOLOv9 рекомендуется для таких задач:
- Исследование информационного узкого места: Академические проекты, изучающие архитектуры программируемой информации о градиентах (PGI) и обобщённой эффективной сети агрегации слоёв (GELAN).
- Исследования оптимизации потока градиентов: Работы, посвящённые изучению и устранению потери информации в глубоких слоях сети во время обучения.
- Сравнительное тестирование точного детектирования: Сценарии, в которых высокая результативность YOLOv9 на тестах COCO нужна в качестве ориентира для сравнения архитектур.
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, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
- Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.
Что дальше: преимущества YOLO26#
Хотя PP-YOLOE+ и YOLOv9 — мощные модели, недавно выпущенная YOLO26 становится естественным следующим шагом для производственных сред. Выпущенная в январе 2026 года YOLO26 предназначена как для периферийных вычислений, так и для облачных развертываний и рекомендуется для новых проектов компьютерного зрения благодаря следующим инновациям:
- Сквозная архитектура без NMS: YOLO26 поддерживает изначально сквозной инференс, устраняя необходимость в постобработке подавлением немаксимумов (NMS) при запуске с
nms=False. Это значительно упрощает конвейеры развертывания и снижает задержку. - Инференс на CPU до 43% быстрее: благодаря оптимизации архитектуры для периферийных вычислений YOLO26n работает на оборудовании только с CPU до 43% быстрее YOLO11n.
- Удаление DFL: Distribution Focal Loss удалена, что упрощает экспорт и улучшает совместимость с маломощными периферийными устройствами.
- Оптимизатор MuSGD: вдохновленный методами обучения больших языковых моделей (например, теми, что лежат в основе Kimi K2 от Moonshot AI), этот гибрид SGD и Muon обеспечивает стабильную динамику обучения и быструю сходимость.
- ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов заметно улучшают распознавание небольших объектов — это важное усовершенствование для аэрофотосъемки и робототехники.
- Улучшения для отдельных задач: YOLO26 включает архитектуры, адаптированные под конкретные задачи, например многомасштабный прототип для сегментации и Residual Log-Likelihood Estimation (RLE) для оценки позы.
Ты можешь легко обучать и развертывать модели YOLO26 через платформу Ultralytics — универсальное решение для разметки наборов данных, облачного обучения и мониторинга моделей.
Применение в реальных условиях#
Выбор между этими архитектурами часто зависит от целевой среды развертывания.
PP-YOLOE+ часто развертывают на промышленных производствах, где фреймворк PaddlePaddle и аппаратный стек Baidu глубоко интегрированы в корпоративную инфраструктуру. Модель хорошо справляется со статическим анализом изображений, где максимальная точность важнее строгих требований к работе в реальном времени.
YOLOv9 хорошо работает в динамичных средах, требующих быстрого инференса в реальном времени. Благодаря эффективному использованию параметров модель подходит для автономной навигации дронов и систем безопасности на периферийных устройствах. Кроме того, низкое потребление VRAM делает обучение на потребительских GPU доступнее для исследователей.
Для максимальной производительности в управлении дорожным движением умного города и высокоскоростной робототехнике рекомендуется более новая YOLO26 с поддержкой опционального сквозного инференса без накладных расходов на NMS.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.