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 разные философии проектирования архитектуры моделей и экосистем.

Это подробное техническое сравнение анализирует архитектурные инновации, показатели производительности, методы обучения и оптимальные сценарии использования, 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.

Узнай больше о PP-YOLOE+

Обзор YOLOv9#

Представленная Чиен-Яо Вангом и Хун-Юань Марком Ляо из Института информационных наук Академии Синика, Тайвань, YOLOv9 стала важным шагом вперед в эффективной обработке информационных узких мест глубокого обучения.

• 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 прорыв YOLOv9 — Programmable Gradient Information (PGI), предотвращающая потерю данных при прохождении признаков через глубокие нейронные сети. В сочетании с Generalized Efficient Layer Aggregation Network (GELAN) эта технология повышает эффективность использования параметров и вычислительных ресурсов в YOLOv9. Кроме того, модель изначально интегрирована в экосистему Ultralytics, поэтому она удобна как для исследований, так и для коммерческих приложений.

Подробнее о YOLOv9

Сравнение производительности и метрик#

По показателям производительности YOLOv9 отличается исключительной эффективностью использования параметров. Она обеспечивает сопоставимую или более высокую точность при меньшем количестве параметров и FLOPs, а значит, во время обучения модели требуется меньше видеопамяти.

Как видно из таблицы, YOLOv9c обеспечивает высокое значение 53,0 mAP, используя значительно меньше параметров (25,5M), чем сопоставимая PP-YOLOE+l (52,2M). Благодаря меньшему потреблению памяти YOLOv9 лучше подходит разработчикам, работающим с ограниченными ресурсами GPU.

Экосистема, универсальность и простота использования#

Главное преимущество YOLOv9 — бесшовная интеграция с поддерживаемой экосистемой Ultralytics. Для работы с YOLOv9 достаточно лаконичного Python API, тогда как PP-YOLOE+ требует разбираться в сложных конфигурационных файлах PaddlePaddle.

Python API Ultralytics позволяет разработчикам загружать предварительно обученные веса, управлять аугментацией данных и запускать обучение с минимумом 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")

Кроме того, экосистема Ultralytics отличается непревзойденной универсальностью. Помимо обнаружения объектов по ограничивающим рамкам, фреймворк изначально поддерживает сегментацию экземпляров, оценку позы и обнаружение объектов с помощью ориентированных ограничивающих рамок (OBB). Благодаря этому адаптировать модель к сложным конвейерам обработки данных из реального мира очень просто.

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, 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.

Что дальше: преимущества YOLO26#

Хотя PP-YOLOE+ и YOLOv9 — мощные модели, недавно выпущенная YOLO26 представляет собой оптимальный следующий шаг для производственных сред. Выпущенная в январе 2026 года, YOLO26 задает новый стандарт для периферийных вычислений и развертывания в облаке. Мы настоятельно рекомендуем YOLO26 для всех новых проектов в области компьютерного зрения благодаря ее революционным инновациям:

• Сквозная архитектура без NMS: YOLO26 поддерживает изначально сквозной инференс, поэтому при запуске с nms=False постобработка методом подавления немаксимумов (NMS) не требуется. Это значительно упрощает конвейеры развертывания и снижает задержку.
• До 43% быстрее инференс на CPU: Специальная оптимизация архитектуры для периферийных вычислений значительно ускоряет работу YOLO26 на оборудовании без выделенных GPU.
• Отказ от DFL: Distribution Focal Loss удалена, что упрощает экспорт и значительно повышает совместимость с маломощными периферийными устройствами.
• Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей, например Kimi K2 от Moonshot AI, этот гибрид SGD и Muon обеспечивает высокую стабильность обучения и быструю сходимость.
• ProgLoss + STAL: Эти усовершенствованные функции потерь заметно повышают качество распознавания мелких объектов — это важное улучшение 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 предприятиях, особенно в регионах, где интеграция с PaddlePaddle и аппаратная платформа Baidu глубоко внедрены в инфраструктуру организаций. Модель отлично подходит для статического анализа изображений, где приоритет отдается максимальной точности, а не строгим ограничениям по работе в реальном времени.

YOLOv9 отлично подходит для динамичных сред, где требуется быстрый инференс в реальном времени. Высокая эффективность использования параметров делает ее идеальной для автономной навигации дронов и систем безопасности на периферийных устройствах. Кроме того, благодаря низкому потреблению видеопамяти исследователям проще обучать модель на потребительских GPU.

Для максимальной производительности в задачах управления дорожным движением в умных городах и высокоскоростной робототехники нет равных новой YOLO26: она поддерживает дополнительный сквозной инференс без накладных расходов и ограничений, связанных с NMS.