PP-YOLOE+ против YOLOX#

Ландшафт компьютерного зрения значительно изменился благодаря стремительному развитию моделей обнаружения объектов. Среди заметных вех этого пути — PP-YOLOE+ и YOLOX, две архитектуры, расширившие границы производительности и точности в реальном времени. Понимание особенностей их архитектуры, компромиссов между производительностью и точностью, а также оптимальных сценариев развертывания имеет решающее значение для исследователей и разработчиков, создающих визуальные системы распознавания следующего поколения.

Происхождение и характеристики моделей#

Прежде чем перейти к техническим архитектурам, полезно рассмотреть происхождение обеих моделей. Каждая из них была разработана для устранения определенных узких мест в обнаружении объектов под сильным влиянием организаций, которые их создали.

Сведения о PP-YOLOE+:

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: https://arxiv.org/abs/2203.16250
• GitHub: https://github.com/PaddlePaddle/PaddleDetection/
• Документация: README PaddleDetection PP-YOLOE+

Узнай больше о PP-YOLOE+

Подробности о YOLOX:

• Авторы: Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun
• Организация: Megvii
• Дата: 2021-07-18
• Arxiv: https://arxiv.org/abs/2107.08430
• GitHub: https://github.com/Megvii-BaseDetection/YOLOX
• Документация: Официальная документация YOLOX

Узнай больше о YOLOX

Архитектурные инновации#

Основные различия между этими двумя детекторами заключаются в подходах к извлечению признаков и предсказанию ограничивающих рамок.

YOLOX произвел фурор в 2021 году, успешно адаптировав семейство YOLO к безъякорной архитектуре. Отказ от якорных блоков значительно сократил количество проектных параметров и объем эвристической настройки, необходимых для пользовательских наборов данных. Кроме того, в модели была представлена разделенная голова, которая распределяет задачи классификации и локализации по отдельным нейронным путям. Такое разделение устранило внутренний конфликт между классификацией объекта и регрессией его пространственных координат, что привело к более быстрой сходимости во время обучения.

PP-YOLOE+, разработанная Baidu, глубоко оптимизирована для экосистемы PaddlePaddle. Она развивает идеи предшественницы PP-YOLOv2, добавляя стратегию динамического назначения меток (TAL) и новую магистральную сеть CSPRepResNet. Эта магистральная сеть использует структурную репараметризацию, благодаря чему модель получает преимущества сложных многоцелевых архитектур во время обучения, а при выводе бесшовно преобразуется в быструю однонаправленную сеть.

Сравнение производительности и метрик#

При непосредственном сравнении этих моделей становится очевидно, что они ориентированы на несколько разные области спектра производительности. PP-YOLOE+ обычно обеспечивает более высокую абсолютную точность, тогда как YOLOX превосходит ее в создании чрезвычайно легковесных вариантов для оборудования с жесткими ограничениями.

Примечание: лучшие значения в каждом соответствующем сегменте столбцов выделены полужирным начертанием.

Хотя варианты YOLOX nano и tiny занимают минимум места на диске и в памяти CUDA, PP-YOLOE+ исключительно хорошо масштабируется на серверное оборудование, что делает ее надежным выбором для ресурсоемких промышленных приложений в экосистеме Baidu.

Практические применения#

Выбор между этими фреймворками часто сводится к требованиям интеграции и целевому оборудованию.

В чем превосходит YOLOX#

Благодаря безъякорной архитектуре и наличию экстремально компактных вариантов для периферийных устройств YOLOX популярен в робототехнике и при развертывании на микроконтроллерах. Его простой конвейер постобработки упрощает перенос на пользовательские форматы NPU, такие как TensorRT и NCNN.

В чем превосходит PP-YOLOE+#

Для организаций, тесно интегрированных с азиатскими производственными центрами и использующих технологический стек Baidu, PP-YOLOE+ предоставляет предварительно оптимизированный путь к развертыванию. Модель особенно эффективна в сценариях контроля качества с высокими требованиями к точности, работающих на мощных серверных стойках, где строгие ограничения реального времени допускают несколько более тяжелые веса модели.

Варианты применения и рекомендации#

Выбор между PP-YOLOE+ и YOLOX зависит от конкретных требований проекта, ограничений развертывания и предпочтений относительно 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 YOLOX#

YOLOX рекомендуется для следующих задач:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая безъякорная архитектура YOLOX используется как базовая модель для экспериментов с новыми головками обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый размер варианта YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты, изучающие стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

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.

Преимущество Ultralytics: встречай YOLO26#

Хотя PP-YOLOE+ и YOLOX представляют собой выдающиеся вехи исследований, современный ландшафт развертывания требует более целостного и удобного для разработчиков решения с превосходной эффективностью. Именно здесь Ultralytics YOLO26 полностью переопределяет стандарт современного визуального ИИ.

Для команд, стремящихся перейти от разрозненных исследовательских репозиториев к готовым к эксплуатации системам, Ultralytics предлагает надежную и хорошо поддерживаемую экосистему. Обучение модели больше не требует настройки сложных окружений: достаточно обратиться к унифицированному API Python.

Ключевые преимущества Ultralytics YOLO26:

• Сквозная архитектура без NMS: в отличие от PP-YOLOE+ и YOLOX, которым для фильтрации избыточных ограничивающих рамок требуется подавление немаксимумов (NMS), YOLO26 изначально работает сквозным образом. Это устраняет узкие места, связанные с задержками, и значительно упрощает логику развертывания.
• До 43% более быстрый вывод на CPU: благодаря целенаправленному удалению Distribution Focal Loss (DFL) YOLO26 обеспечивает беспрецедентную скорость вывода на оборудовании с CPU, что делает его значительно более подходящим для периферийных вычислений и устройств с низким энергопотреблением.
• Оптимизатор MuSGD: Вдохновленный Kimi K2 от Moonshot AI, этот гибридный оптимизатор обеспечивает стабильность обучения больших языковых моделей в компьютерном зерении, гарантируя гораздо более быструю сходимость и минимизируя требования к памяти на этапах обучения.
• ProgLoss + STAL: эти продвинутые функции потерь заметно улучшают распознавание небольших объектов — критически важную возможность для операций с дронами и детализированных аэрофотоснимков.
• Универсальность: в то время как PP-YOLOE+ и YOLOX сосредоточены исключительно на обнаружении объектов, YOLO26 без дополнительных сложностей выполняет сегментацию экземпляров, оценку позы и работу с ориентированными ограничивающими рамками (OBB), используя один и тот же интуитивно понятный синтаксис.

Упрощенное обучение с Ultralytics#

Эффективность моделей Ultralytics с точки зрения памяти и скорость их обучения не имеют себе равных, значительно превосходя альтернативы на базе Transformer, которым требуется огромное количество памяти CUDA. Ты можешь воспользоваться возможностями YOLO26 всего в нескольких строках кода:

from ultralytics import YOLO

# Load the highly efficient, end-to-end YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train on a custom dataset with built-in auto-batching and MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's performance
metrics = model.val()

# Export seamlessly to ONNX or TensorRT
model.export(format="engine")

Заключение#

И PP-YOLOE+, и YOLOX заняли свое место в истории компьютерного зрения, предлагая соответственно высокую точность и легковесные безъякорные архитектуры. Однако для организаций, создающих будущее ИИ в сельском хозяйстве, умных городов и розничной торговли, постоянная поддержка, простота использования и встроенная архитектура Ultralytics YOLO26 без NMS делают его бесспорным выбором.

Если ты изучаешь альтернативные архитектуры для конкретных бенчмарков, тебе также может быть полезно сравнить более старую YOLO11 или варианты на базе Transformer, такие как RT-DETR, используя всеобъемлющую документацию Ultralytics. Перейдя на унифицированную экосистему Ultralytics, разработчики экономят ценное время и ресурсы, одновременно достигая результатов уровня state-of-the-art при развертывании на периферийных устройствах и в облаке.