PP-YOLOE+ против YOLOX#

На развитие компьютерного зрения повлияла стремительная эволюция моделей обнаружения объектов. Среди важных вех — PP-YOLOE+ и YOLOX, две архитектуры, повысившие производительность и точность обнаружения в реальном времени. Знание их архитектурных особенностей, компромиссов между характеристиками и наиболее подходящих сценариев развертывания помогает исследователям и разработчикам создавать более эффективные системы визуального распознавания.

Происхождение и характеристики моделей#

Прежде чем разбирать технические архитектуры, полезно понять происхождение обеих моделей. Каждая из них создавалась для решения определённых проблем в обнаружении объектов под влиянием организаций-разработчиков.

Подробности 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+

Подробнее о YOLOX:

• Авторы: Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сунь
• 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#

Главные различия между этими двумя детекторами связаны с подходами к извлечению признаков и предсказанию ограничивающих рамок.

YOLOX привлекла широкое внимание в 2021 году, адаптировав семейство YOLO для безанкорной архитектуры. Отказ от анкерных рамок значительно сократил число настраиваемых параметров и объём эвристической настройки, необходимых для пользовательских наборов данных. В модели также появилась раздельная голова, разделяющая задачи классификации и локализации на отдельные нейронные пути. Благодаря такому разделению устранён конфликт между классификацией объекта и регрессией его пространственных координат, что ускорило сходимость при обучении.

PP-YOLOE+, разработанная Baidu, глубоко оптимизирована для экосистемы PaddlePaddle. Она развивает предшественников — PP-YOLOE и PP-YOLOv2 — за счёт динамической стратегии назначения меток (TAL) и новой архитектуры бэкбона CSPRepResNet. Этот бэкбон использует структурную перепараметризацию: во время обучения модель получает преимущества сложной многоветвевой архитектуры, а при выводе она сворачивается в быструю однонаправленную сеть.

Сравнение производительности и метрик#

Прямое сравнение этих моделей показывает, что они занимают несколько разные позиции в диапазоне производительности. PP-YOLOE+ обычно обеспечивает более высокую абсолютную mAP, а YOLOX предлагает очень лёгкие варианты для оборудования с серьёзными ограничениями.

Примечание: лучшие значения в каждом соответствующем сегменте столбца выделены полужирным.

У YOLOX есть варианты nano и tiny, которым требуется совсем немного места на диске и памяти CUDA. PP-YOLOE+ хорошо масштабируется для серверного оборудования и подходит для тяжёлых промышленных задач в экосистеме Baidu.

Применение в реальных условиях#

Выбор между этими фреймворками часто зависит от требований к интеграции и целевого оборудования.

В чем сильна YOLOX#

Благодаря безанкорной архитектуре и наличию сверхлёгких вариантов YOLOX популярна в робототехнике и при развертывании на встраиваемых устройствах. Простой конвейер постобработки облегчает перенос модели в среды выполнения вывода, такие как TensorRT и NCNN.

В чем сильна PP-YOLOE+#

Производителям, уже использующим технологический стек Baidu, PP-YOLOE+ предлагает предварительно оптимизированный путь к развертыванию. Модель хорошо работает в сценариях контроля качества с высокими требованиями к точности на мощных серверных стойках, где более мягкие ограничения реального времени позволяют использовать несколько более тяжёлые модели.

Сценарии использования и рекомендации#

Выбирай между PP-YOLOE+ и YOLOX с учетом требований конкретного проекта, ограничений развертывания и предпочтительной 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 стоит выбрать YOLOX#

YOLOX подойдёт для следующих задач:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на маломощном встраиваемом или устаревшем мобильном оборудовании, где критически важен очень компактный вариант YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

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 GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное 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.

Преимущества Ultralytics: знакомство с YOLO26#

PP-YOLOE+ и YOLOX стали важными вехами исследований, однако для современного развертывания нужны более цельный, удобный для разработчиков процесс и повышенная эффективность. Здесь особенно выделяется Ultralytics YOLO26.

Для команд, которые хотят перейти от изолированных исследовательских репозиториев к готовым к эксплуатации системам, Ultralytics предлагает надёжную и хорошо поддерживаемую экосистему. Обучение модели больше не требует настройки сложных сред: достаточно обратиться к единому Python API.

Ключевые преимущества Ultralytics YOLO26:

• Сквозная архитектура без NMS: В отличие от PP-YOLOE+ и YOLOX, которым требуется подавление немаксимумов (NMS) для фильтрации повторяющихся ограничивающих рамок, YOLO26 предлагает изначально сквозную голову (nms=False). Это устраняет узкие места, связанные с задержкой, и значительно упрощает логику развертывания.
• До 43% более быстрый вывод на CPU: Отказ от распределённой фокальной функции потерь (DFL) позволяет YOLO26n выполнять вывод на CPU до 43% быстрее YOLO11n, что делает модель гораздо более подходящей для периферийных вычислений и устройств с низким энергопотреблением.
• Оптимизатор MuSGD: Этот гибридный оптимизатор, вдохновлённый обучением Kimi K2 от Moonshot AI, переносит стабильность обучения LLM в компьютерное зрение и ускоряет сходимость.
• ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учётом мелких объектов заметно повышают точность их распознавания — это важно для операций с дронами и детализированных аэрофотоснимков.
• Универсальность: PP-YOLOE+ и YOLOX предназначены только для обнаружения объектов, а YOLO26 с помощью одного и того же интуитивно понятного синтаксиса поддерживает сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB).

Упрощённое обучение с Ultralytics#

Модели Ultralytics экономно используют память и быстро обучаются, особенно по сравнению с трансформерными аналогами, которым требуется большой объём памяти CUDA. Обучить и экспортировать YOLO26 можно всего в несколько строк кода:

from ultralytics import YOLO

# Загрузи высокоэффективную сквозную нано-модель YOLO26
model = YOLO("yolo26n.pt")

# Обучи модель на примере датасета COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Проверка производительности модели
metrics = model.val()

# Экспортируй в ONNX или TensorRT
model.export(format="engine")

Заключение#

PP-YOLOE+ и YOLOX заслуженно вошли в историю компьютерного зрения: первая обеспечивает высокую точность, а вторая предлагает лёгкую безанкорную архитектуру. Однако организациям, создающим будущее ИИ в сельском хозяйстве, умных городов и розничной торговли, мы рекомендуем Ultralytics YOLO26 благодаря постоянной поддержке, простоте использования и изначально без-NMS-архитектуре.

Если ты изучаешь альтернативные архитектуры для конкретных бенчмарков, сравни предыдущее поколение YOLO11 или трансформерные решения, например RT-DETR, в документации Ultralytics. Переход на единую экосистему Ultralytics помогает разработчикам экономить время и ресурсы и добиваться высоких результатов при развертывании на периферийных устройствах и в облаке.