Начать

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.

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.

Узнай больше о PP-YOLOE+

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.

Подробнее о YOLOv9

Другие модели Ultralytics

Если ты рассматриваешь новейшие варианты, тебя также могут заинтересовать YOLO11 и RT-DETR, предлагающие разные компромиссы между точностью на основе Transformer и производительностью на периферийных устройствах в реальном времени.

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.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

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.

Варианты экспорта

Модели, обученные с помощью фреймворка Ultralytics, можно экспортировать в разные форматы, включая TensorRT и OpenVINO, чтобы обеспечить высокооптимизированный инференс на разном оборудовании.

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.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.