YOLO11 против PP-YOLOE+#
Выбор оптимальной архитектуры нейронной сети имеет критически важное значение при развертывании приложений computer vision в производственной среде. В данном техническом сравнении мы рассматриваем две выдающиеся модели в области детектирования объектов в реальном времени: Ultralytics YOLO11 и PP-YOLOE+ от Baidu. Обе архитектуры обеспечивают надежную производительность, но подходят к решению задач точности, скорости инференса и экосистемы разработчиков по-разному.
Ниже представлена интерактивная диаграмма, демонстрирующая границы производительности этих моделей, чтобы помочь тебе определить лучший вариант для ограничений твоего оборудования.
Происхождение моделей и техническая родословная#
Понимание происхождения и принципов проектирования этих моделей дает ценный контекст для их соответствующих сильных сторон и идеальных вариантов использования.
Детали YOLO11#
Разработанный Ultralytics, YOLO11 представляет собой высоко оптимизированную итерацию серии YOLO, отдающую приоритет балансу высокоскоростного вывода, экстремальной эффективности параметров и непревзойденной простоте использования. Он широко известен своими унифицированными многозадачными возможностями и дружественным к разработчикам Python API.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2024-09-27
- GitHub: https://github.com/ultralytics/ultralytics
- Документация: YOLO11 Documentation
Подробности PP-YOLOE+#
PP-YOLOE+ — это эволюционировавшая версия PP-YOLOv2, построенная на базе фреймворка PaddlePaddle. Она внедряет архитектурные изменения, такие как бэкбон CSPRepResNet и Task Alignment Learning (TAL), чтобы раздвинуть границы точности, особенно на мощных GPU.
- Авторы: Авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- Arxiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- Документация: PP-YOLOE+ Configuration Docs
Архитектурные различия#
Фундаментальные архитектурные особенности YOLO11 и PP-YOLOE+ отражают их различные приоритеты в сфере computer vision.
YOLO11 базируется на высокооптимизированном бэкбоне и детектирующей головке без привязки к анкорам. Модель использует блоки C3k2 и Spatial Pyramid Pooling - Fast (SPPF) для захвата многомасштабных признаков с минимальными вычислительными затратами. Такая архитектура чрезвычайно выгодна для снижения inference latency на устройствах с ограниченными ресурсами, таких как эджевые NPU и мобильные CPU. Кроме того, YOLO11 изначально спроектирована для многозадачного обучения, поддерживая instance segmentation, pose estimation и oriented bounding box (OBB) detection «из коробки».
PP-YOLOE+ представляет бэкбон CSPRepResNet и эффективную головку, согласованную по задачам (ET-head). В ней активно используются методы репараметризации для увеличения репрезентативной емкости во время обучения с последующим сворачиванием этих параметров в стандартные свертки для инференса. Хотя это дает впечатляющий показатель mean Average Precision (mAP), получаемые модели оказываются более тяжелыми с точки зрения параметров и потребления памяти, что делает их более подходящими для развертывания на мощных серверных GPU, а не на легких эджевых устройствах.
Если твой проект требует выхода за рамки стандартных ограничивающих рамок, Ultralytics YOLO11 предоставляет встроенную поддержку сегментации, оценки позы и классификации в рамках того же самого API, что радикально снижает накладные расходы на разработку по сравнению с интеграцией нескольких отдельных репозиториев.
Производительность и бенчмарки#
При оценке производительности мы смотрим на точность (mAP), скорость вывода на разном оборудовании и эффективность модели (параметры и FLOPs). Таблица ниже выделяет сравнительные метрики, где наиболее эффективные или самые высокие показатели выделены жирным шрифтом.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (М) | FLOPs (Б) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
Анализ#
YOLO11 демонстрирует явное преимущество в балансе производительности и эффективности использования параметров. Например, YOLO11m достигает более высокого значения mAP (51.5), чем PP-YOLOE+m (49.8), при меньшем количестве параметров (20.1M против 23.43M) и значительно более высокой скорости инференса на TensorRT (4.7мс против 5.56мс). Легковесная природа моделей YOLO11 естественным образом приводит к меньшим требованиям к памяти как при model training, так и при развертывании.
Экосистема обучения и простота использования#
Истинная ценность модели часто заключается в том, насколько легко разработчики могут обучить ее на пользовательских computer vision datasets и развернуть в продакшене.
Преимущество Ultralytics#
Ultralytics уделяет первостепенное внимание удобству работы разработчиков. Обучение YOLO11 управляется через простой Python API или CLI, абстрагируя сложный шаблонный код. Ultralytics Platform дополнительно упрощает этот процесс, предоставляя инструменты для обучения без написания кода, автоматизированного управления датасетами и экспорта в один клик в такие форматы, как ONNX, CoreML и TensorRT.
Более того, модели YOLO обладают высокой эффективностью использования памяти во время обучения, позволяя избежать огромных затрат VRAM, типичных для архитектур на основе трансформеров или тяжелых репараметризованных моделей, что делает возможным обучение на оборудовании потребительского уровня.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.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")
results[0].show()Экосистема PP-YOLOE+#
PP-YOLOE+ работает в рамках экосистемы PaddleDetection. Хотя этот фреймворк мощный и глубоко интегрирован с промышленными решениями Baidu, он требует от разработчиков использования специфического фреймворка глубокого обучения PaddlePaddle. Это может создать более высокий порог вхождения для команд, которые уже стандартизированы на PyTorch. Кроме того, экспорт моделей PP-YOLOE+ в стандартные универсальные форматы для периферийных устройств может потребовать дополнительных шагов конвертации по сравнению с нативными конвейерами экспорта, найденными в рабочих процессах Ultralytics.
Идеальные варианты использования#
Выбор между этими моделями зависит от твоей конкретной среды развертывания.
- Выбирай YOLO11 для гибкой разработки, edge computing и мобильных приложений. Высокая скорость инференса, низкое потребление памяти и широкие возможности экспорта делают модель идеальной для таких задач, как управление запасами в розничной торговле в реальном времени retail inventory management на стандартных CPU, анализ аэрофотоснимков с дронов и сложные многозадачные пайплайны.
- Выбирай PP-YOLOE+, если весь твой производственный конвейер уже сильно инвестирован в экосистему PaddlePaddle, или если ты развертываешь решения на мощных специализированных серверах вывода, где ограничения по памяти и аппаратная совместимость (помимо оптимизированного оборудования Paddle) не являются первостепенными задачами.
Следующее поколение: представляем YOLO26#
Хотя YOLO11 остается невероятно мощным инструментом, сфера ИИ развивается быстро. Для обеспечения абсолютного передового уровня в детектировании объектов компания Ultralytics представила новую модель YOLO26. Выпущенная в январе 2026 года, YOLO26 опирается на успехи предшественников, обеспечивая беспрецедентную эффективность и точность.
Ключевые инновации YOLO26:
- Сквозной дизайн без NMS: YOLO26 изначально исключает постобработку Non-Maximum Suppression (NMS). Это существенно ускоряет инференс и упрощает логику развертывания — архитектурный прорыв, впервые реализованный в YOLOv10.
- До 43% более быстрый вывод на CPU: Оптимизирован специально для периферийных устройств без GPU, обеспечивая производительность в реальном времени на менее мощном оборудовании.
- Оптимизатор MuSGD: Вдохновленный стабильностью обучения LLM, этот гибрид SGD и Muon обеспечивает более быструю сходимость и более стабильное обучение.
- ProgLoss + STAL: Улучшенные функции потерь кардинально повышают качество распознавания мелких объектов, что критически важно для drone applications и охранного видеонаблюдения.
- Удаление DFL: Удаление Distribution Focal Loss упрощает экспорт модели и значительно улучшает совместимость с широким спектром периферийных устройств.
Для новых проектов, в которых приоритетом являются скорость, бесшовный экспорт и максимальная точность, мы настоятельно рекомендуем задействовать возможности YOLO26 через Ultralytics Platform.
Если ты оцениваешь другие архитектуры, тебе также может быть интересно сравнить YOLO11 с RT-DETR или изучить, как классический YOLOv8 показывает себя в современных бенчмарках.