PP-YOLOE+ против YOLOv9#

Ландшафт компьютерного зрения в реальном времени постоянно меняется: исследователи и разработчики неустанно раздвигают границы точности и скорости инференса. Сравнивая PP-YOLOE+ и YOLOv9, мы рассматриваем две различные философии архитектуры моделей и проектирования экосистем.

Этот исчерпывающий технический анализ исследует архитектурные инновации, показатели производительности, методологии обучения и идеальные сценарии использования, чтобы помочь тебе выбрать подходящую модель обнаружения объектов для твоего следующего развертывания.

История моделей и технические основы#

Понимание истоков и архитектурных решений этих моделей имеет решающее значение для определения их соответствия твоим проектам по компьютерному зрению.

Обзор PP-YOLOE+#

Разработанная авторами PaddlePaddle в Baidu, модель PP-YOLOE+ была представлена 2 апреля 2022 года. Она базируется на предыдущих итерациях в рамках фреймворка PaddleDetection для обеспечения высокопроизводительного обнаружения объектов.

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

PP-YOLOE+ представляет надежную архитектуру без привязки к якорям (anchor-free), сильно оптимизированную для развертывания в экосистеме PaddlePaddle. В ней используется измененный бэкбон CSPRepResNet и ET-head для улучшения извлечения признаков и регрессии ограничивающих рамкок. Хотя модель обеспечивает высокий показатель средней точности (mAP), ее зависимость от фреймворка PaddlePaddle иногда может вызывать трудности при интеграции у 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 Academia Sinica на Тайване, модель YOLOv9 знаменует собой значительный скачок в эффективном устранении «узких мест» передачи информации в глубоком обучении.

• 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

Главным прорывом YOLOv9 является программируемая градиентная информация (PGI), которая предотвращает потерю данных при прохождении признаков через глубокие нейронные сети. В сочетании с сетью обобщенного эффективного агрегирования слоев (GELAN) YOLOv9 максимизирует эффективность параметров и вычислительный поток. Кроме того, модель нативно интегрирована в экосистему Ultralytics, что делает ее легко доступной как для исследований, так и для коммерческих применений.

Узнай больше о YOLOv9

Сравнение производительности и метрик#

При анализе «сырой» производительности YOLOv9 демонстрирует исключительную эффективность параметров. Она обеспечивает сопоставимую или превосходящую точность при меньшем количестве параметров и FLOP, что приводит к снижению требований к видеопамяти во время обучения модели.

Как видно из таблицы, YOLOv9c достигает высокого показателя 53.0 mAP с существенно меньшим количеством параметров (25.3M), чем сопоставимая PP-YOLOE+l (52.2M). Это более низкое потребление памяти делает YOLOv9 лучшим выбором для разработчиков, работающих с ограниченными ресурсами GPU.

Экосистема, универсальность и простота использования#

Главное преимущество YOLOv9 заключается в её бесшовной интеграции с активно поддерживаемой экосистемой Ultralytics. В то время как для работы с PP-YOLOE+ требуется разбираться в сложных конфигурационных файлах PaddlePaddle, YOLOv9 предлагает 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 нативно поддерживает сегментацию экземпляров, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). Это делает адаптацию твоей модели к сложным конвейерам реального мира невероятно эффективной.

Сценарии использования и рекомендации#

Выбор между PP-YOLOE+ и YOLOv9 зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ — это сильный выбор в следующих случаях:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, созданной на базе фреймворка и инструментов Baidu's PaddlePaddle.
• Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
• Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Когда стоит выбрать YOLOv9#

YOLOv9 рекомендуется для:

• Исследований информационных узких мест: Академические проекты по изучению архитектур Programmable Gradient Information (PGI) и Generalized Efficient Layer Aggregation Network (GELAN).
• Изучения оптимизации потока градиентов: Исследования, направленные на понимание и смягчение потери информации в глубоких слоях сети во время обучения.
• Бенчмаркинга обнаружения высокой точности: Сценарии, где высокие показатели производительности YOLOv9 в бенчмарке COCO необходимы в качестве точки отсчета для архитектурных сравнений.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Взгляд в будущее: преимущество YOLO26#

Хотя и PP-YOLOE+, и YOLOv9 являются мощными решениями, недавно выпущенный YOLO26 представляет собой окончательный следующий шаг для производственных сред. Выпущенный в январе 2026 года, YOLO26 устанавливает новый стандарт для периферийных вычислений и облачных развертываний. Мы настоятельно рекомендуем YOLO26 для всех новых проектов по компьютерному зрению благодаря его прорывным инновациям:

• Сквозной дизайн без NMS: YOLO26 является полноценной сквозной моделью, полностью исключающей необходимость в постобработке Non-Maximum Suppression (NMS). Это значительно упрощает пайплайны развертывания и снижает задержку.
• До 43% быстрее при выводе на CPU: Благодаря специальной оптимизации архитектуры для вычислений на Edge, YOLO26 работает значительно быстрее на оборудовании без выделенных GPU.
• Удаление DFL: Распределение функции фокусных потерь (Distribution Focal Loss) было удалено, что упростило экспорт и радикально улучшило совместимость с маломощными Edge-устройствами.
• Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей (такими как Kimi K2 от Moonshot AI), этот гибрид SGD и Muon обеспечивает высокую стабильность динамики обучения и быструю сходимость.
• ProgLoss + STAL: Эти передовые функции потерь дают заметные улучшения в распознавании мелких объектов, что является важным обновлением для аэрофотоснимков и робототехники.
• Улучшения для конкретных задач: YOLO26 включает специализированные архитектуры для определенных задач, такие как multi-scale proto 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 аннотирования наборов данных, облачного обучения и мониторинга моделей.

Применение в реальных условиях#

Выбор между этими архитектурами часто сводится к твоей целевой среде развертывания.

PP-YOLOE+ часто развертывается в центрах промышленного производства, особенно в регионах, где интеграция с PaddlePaddle и стеком оборудования Baidu глубоко встроены в корпоративную инфраструктуру. Модель превосходно справляется с анализом статических изображений, где абсолютная точность ставится выше жестких ограничений реального времени.

YOLOv9 превосходно работает в динамических средах, требующих быстрого инференса в реальном времени. Его превосходная эффективность параметров делает его идеальным для автономной навигации дронов и периферийных систем безопасности. Кроме того, меньшее потребление видеопамяти снижает порог входа для исследователей, обучающих модели на потребительских GPU.

Для достижения наилучшей производительности в задачах управления трафиком в «умном» городе и высокоскоростной робототехники более новая модель YOLO26 не имеет равных, предлагая сквозную эффективность без накладных расходов из-за узких мест NMS.