YOLO11 и PP-YOLOE+#

Выбор оптимальной архитектуры нейронной сети имеет критическое значение при внедрении приложений компьютерного зрения в рабочую среду. В этом техническом сравнении мы рассмотрим две заметные модели в области обнаружения объектов в реальном времени: Ultralytics YOLO11 и PP-YOLOE+ от Baidu. Обе архитектуры обеспечивают высокую производительность, но существенно различаются в подходах к точности, скорости инференса и экосистеме для разработчиков.

Ниже представлена интерактивная диаграмма, показывающая границы производительности этих моделей и помогающая определить оптимальный вариант с учётом ограничений твоего оборудования.

Происхождение моделей и техническая преемственность#

Понимание происхождения и принципов проектирования этих моделей помогает лучше разобраться в их сильных сторонах и оптимальных сценариях использования.

Сведения о YOLO11#

Разработанная Ultralytics, YOLO11 представляет собой тщательно оптимизированную итерацию серии YOLO, в которой приоритет отдан балансу высокой скорости инференса, исключительной эффективности использования параметров и непревзойдённой простоте применения. Модель широко известна благодаря унифицированным возможностям многозадачного обучения и удобному для разработчиков API Python.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2024-09-27
• GitHub: https://github.com/ultralytics/ultralytics
• Документация: Документация по YOLO11

Сведения о PP-YOLOE+#

PP-YOLOE+ — это улучшенная версия PP-YOLOv2, созданная на базе фреймворка PaddlePaddle. В ней представлены такие архитектурные изменения, как backbone CSPRepResNet и Task Alignment Learning (TAL), призванные повысить точность, особенно на высокопроизводительных GPU.

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

Узнай больше о PP-YOLOE+

Архитектурные различия#

Фундаментальные архитектурные решения YOLO11 и PP-YOLOE+ отражают их различные приоритеты в области компьютерного зрения.

YOLO11 создана на базе высокооптимизированного backbone и безанкорной головы обнаружения. В модели используются блоки C3k2 и Spatial Pyramid Pooling - Fast (SPPF) для извлечения многоуровневых признаков при минимальных вычислительных затратах. Такая конструкция особенно эффективна для снижения задержки инференса на устройствах с ограниченными ресурсами, таких как периферийные NPU и мобильные CPU. Кроме того, YOLO11 изначально разработана для многозадачного обучения и поддерживает сегментацию экземпляров, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB) сразу после установки.

PP-YOLOE+ представляет бэкбон CSPRepResNet и эффективную голову согласования задач (ET-head). Модель активно использует методы репараметризации для увеличения репрезентативной емкости во время обучения, сворачивая эти параметры в стандартные свертки для инференса. Хотя это дает впечатляющую среднюю точность в диапазоне (mAP), получаемые модели имеют большую массу с точки зрения параметров и объема памяти, что делает их более подходящими для развертывания на мощных серверных GPU, а не на легких периферийных устройствах.

Производительность и бенчмарки#

При оценке производительности мы учитываем точность (mAP), скорость инференса на различном оборудовании и эффективность модели (количество параметров и FLOPs). В таблице ниже приведены сравнительные метрики; наиболее эффективные или высокие значения выделены жирным шрифтом.

Анализ#

YOLO11 демонстрирует явное преимущество по балансу производительности и эффективности использования параметров. Например, YOLO11m достигает более высокого значения mAP (51.5), чем PP-YOLOE+m (49.8), используя при этом меньше параметров (20.1M против 23.43M) и обеспечивая значительно более высокую скорость инференса в TensorRT (4.7 мс против 5.56 мс). Компактность моделей YOLO11 естественным образом приводит к меньшим требованиям к памяти как во время обучения модели, так и при развёртывании.

Экосистема обучения и удобство использования#

Истинная ценность модели часто определяется тем, насколько легко разработчики могут обучить её на собственных наборах данных для компьютерного зрения и внедрить в рабочую среду.

Преимущества Ultralytics#

Ultralytics уделяет приоритетное внимание упрощённому процессу разработки. Обучение YOLO11 выполняется через простой API Python или CLI, скрывая сложный шаблонный код. Платформа Ultralytics расширяет эти возможности, предлагая обучение без кода, автоматизированное управление наборами данных и экспорт в один клик в такие форматы, как ONNX, CoreML и TensorRT.

Кроме того, модели YOLO обладают высокой эффективностью использования памяти при обучении, избегая огромных затрат VRAM, типичных для архитектур на основе трансформеров или тяжелых репараметризованных моделей, что позволяет проводить 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 экосистеме PaddleDetection. Хотя этот фреймворк обладает широкими возможностями и глубоко интегрирован с промышленными решениями Baidu, разработчикам необходимо использовать специализированный фреймворк глубокого обучения PaddlePaddle. Это может стать серьёзным порогом входа для команд, уже стандартизировавших PyTorch. Кроме того, экспорт моделей PP-YOLOE+ в стандартные универсальные форматы для периферийных устройств может потребовать дополнительных этапов конвертации по сравнению со встроенными конвейерами экспорта в рабочих процессах Ultralytics.

Идеальные сценарии использования#

Выбор между этими моделями зависит от конкретной среды развёртывания.

• Выбирай YOLO11, если тебе нужны гибкая разработка, периферийные вычисления и мобильные приложения. Высокая скорость инференса, небольшой объём занимаемой памяти и широкие возможности экспорта делают эту модель идеальной для таких задач, как управление товарными запасами в розничной торговле в реальном времени на стандартных CPU, анализ аэрофотоснимков с дронов и сложные многозадачные конвейеры.
• Выбирай PP-YOLOE+, если весь твой производственный конвейер уже тесно связан с экосистемой PaddlePaddle или если ты развёртываешь модель на специализированных высокопроизводительных серверах инференса, где ограничения по памяти и совместимость оборудования (за пределами оптимизированного оборудования Paddle) не являются ключевыми факторами.

Следующее поколение: знакомство с YOLO26#

Хотя YOLO11 остаётся исключительно мощной моделью, область AI развивается стремительно. Для самых передовых задач обнаружения объектов Ultralytics представила новую YOLO26. Выпущенная в январе 2026 года, YOLO26 развивает успехи своих предшественников, обеспечивая беспрецедентную эффективность и точность.

Ключевые инновации YOLO26:

• Сквозная архитектура без NMS: YOLO26 изначально устраняет этап постобработки подавления немаксимумов (NMS). Это значительно ускоряет инференс и упрощает логику развёртывания — архитектурный скачок, впервые реализованный в YOLOv10.
• До 43% более быстрый инференс на CPU: оптимизирована специально для периферийных устройств без GPU, обеспечивая работу в реальном времени на менее мощном оборудовании.
• Оптимизатор MuSGD: созданный с учётом стабильности обучения LLM, этот гибрид SGD и Muon обеспечивает более быструю сходимость и стабильное обучение.
• ProgLoss + STAL: улучшенные функции потерь значительно повышают качество распознавания небольших объектов, что критически важно для приложений с дронами и охранного видеонаблюдения.
• Удаление DFL: удаление Distribution Focal Loss упрощает экспорт моделей и значительно повышает совместимость с широким спектром периферийных устройств.

Для новых проектов, в которых приоритетом являются скорость, бесшовный экспорт и максимальная точность, мы настоятельно рекомендуем использовать возможности YOLO26 через Платформу Ultralytics.

Если ты рассматриваешь другие архитектуры, тебе также может быть интересно сравнить YOLO11 с RT-DETR или изучить, как устаревшая YOLOv8 показывает себя в современных бенчмарках.