YOLO11 PP-YOLOE+: подробное сравнение архитектуры и производительности
В быстро развивающейся области компьютерного зрения выбор правильной модели обнаружения объектов является критически важным решением, которое влияет на все: от скорости разработки до задержки развертывания. В этом руководстве представлено всестороннее техническое сравнение между Ultralytics YOLO11, универсальной и широко используемой моделью, выпущенной в конце 2024 года, и PP-YOLOE+, надежным промышленным детектором из PaddlePaddle .
Мы анализируем эти архитектуры на основе показателей точности, скорости вывода, простоты использования и универсальности развертывания, чтобы помочь вам выбрать лучший инструмент для вашего конкретного приложения.
Интерактивные сравнительные тесты производительности
Чтобы понять компромиссы между этими моделями, необходимо визуализировать их производительность на стандартных наборах данных, таких как COCO. Приведенный ниже график иллюстрирует баланс между средней точностью (mAP) и скоростью вывода, что поможет вам определить «границу Парето» для ваших ограничений по задержке.
Анализ метрик производительности
В следующей таблице представлена подробная разбивка производительности моделей.YOLO11 Ultralytics YOLO11 демонстрируют превосходную эффективность, обеспечивая более высокую точность при значительно меньшем количестве параметров по сравнению с их аналогами PP-YOLOE+.
| Модель | размер (пиксели) | mAPval 50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
Ultralytics YOLO11: архитектура и экосистема
Выпущен в сентябре 2024 года, YOLO11 опирается на наследие предыдущих YOLO , представляя усовершенствованные архитектурные компоненты, разработанные для максимальной эффективности извлечения признаков.
Ключевые архитектурные особенности
- C3k2 Backbone: являясь эволюцией узкого места CSP (Cross Stage Partial), блок C3k2 использует более быстрые операции свертки для повышения скорости обработки при сохранении градиентного потока.
- C2PSA Внимание: Внедрение модуля C2PSA (Cross-Stage Partial with Spatial Attention) улучшает способность модели фокусироваться на небольших объектах и сложных текстурах, что является распространенной проблемой при анализе спутниковых изображений.
- Многозадачная головка: в отличие от многих конкурентов, YOLO11 унифицированную конструкцию головки, которая поддерживает обнаружение, сегментацию экземпляров, оценку позы и ориентированные ограничительные рамки (OBB) в рамках одной структуры.
YOLO11 :
- Авторы: Гленн Джочер и Цзин Цю
- Организация: Ultralytics
- Дата: 27.09.2024
- GitHub: ultralytics
- Документация: YOLO11
PP-YOLOE+: Архитектура и экосистема
PP-YOLOE+ — это обновленная версия PP-YOLOE, разработанная PaddlePaddle . Она создана как мощная базовая платформа для промышленных приложений, использующая фреймворкPaddlePaddle обучения Baidu PaddlePaddle .
Ключевые архитектурные особенности
- CSPRepResStage: эта основа сочетает в себе остаточные связи с методами перепараметризации, что позволяет модели быть сложной во время обучения, но оптимизированной во время вывода.
- TAL (Task Alignment Learning): PP-YOLOE+ использует стратегию динамического присвоения меток, которая согласовывает задачи классификации и локализации, улучшая качество выбора положительных образцов.
- Без якоря: Как и YOLO11, он использует подход без якоря, чтобы уменьшить количество гиперпараметров, необходимых для настройки.
Детали PP-YOLOE+:
- Авторы: PaddlePaddle Authors
- Организация: Baidu
- Дата: 2022-04-02
- Arxiv: PP-YOLOE: усовершенствованная версия YOLO
- GitHub: PaddlePaddle
- Документы: PP-YOLOE+ README
Сравнительный анализ: почему стоит выбрать Ultralytics?
Хотя обе модели являются эффективными детекторами, Ultralytics YOLO11 явные преимущества в плане удобства использования, поддержки экосистемы и эффективности использования ресурсов.
1. Простота использования и внедрения
Одно из наиболее значительных отличий заключается в пользовательском опыте. Ultralytics разработаны с учетом философии «нулевого трения». Python позволяет разработчикам загружать, обучать и развертывать модели менее чем за пять строк кода.
from ultralytics import YOLO
# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")
# Train on a custom dataset with a single command
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Run inference
results = model("https://ultralytics.com/images/bus.jpg")
В отличие от этого, PP-YOLOE+ опирается на набор PaddleDetection. Несмотря на свою мощность, он часто требует более сложного обучения, включающего конфигурационные файлы и зависимости, специфичные для PaddlePaddle , что может быть не так интуитивно понятно для пользователей, привыкших к стандартному PyTorch .
2. Эффективность обучения и использование памяти
YOLO Ultralytics YOLO славятся эффективным использованием ресурсов.
- Меньший объем памяти: YOLO11 для обучения на потребительских графических процессорах. Это важное преимущество по сравнению с архитектурами, в которых широко используются трансформеры, или старыми промышленными моделями, требующими значительного CUDA .
- Более быстрая конвергенция: благодаря оптимизированным гиперпараметрам по умолчанию и дополнениям, таким как Mosaic и Mixup, YOLO11 достигает приемлемого уровня точности за меньшее количество эпох, что позволяет сократить вычислительные затраты.
3. Универсальность и поддержка задач
Современные проекты в области компьютерного зрения часто требуют большего, чем просто ограничивающие рамки. Если объем вашего проекта расширяется, Ultralytics вам необходимую поддержку без необходимости смены фреймворков.
- YOLO11: Нативно поддерживает обнаружение объектов, сегментацию экземпляров, оценку позы, ориентированные ограничивающие рамки (OBB) и классификацию.
- PP-YOLOE+: в первую очередь ориентирован на обнаружение объектов. Хотя PaddleDetection поддерживает и другие задачи, для них часто требуются другие архитектуры моделей и конфигурационные конвейеры.
Оптимизированное развертывание
YOLO11 Ultralytics YOLO11 можно экспортировать в более чем 10 форматов, включая ONNX, TensorRT, CoreML и TFLite одного метода: model.export(format='onnx'). Эта встроенная гибкость значительно упрощает путь от исследования до производства.
Будущее искусственного интеллекта в области зрения: представление YOLO26
Хотя YOLO11 зрелый и надежный выбор, в этой области продолжаются активные разработки. Для разработчиков, стремящихся к абсолютному передовым технологиям, Ultralytics в начале 2026 года Ultralytics YOLO26.
YOLO26 революционизирует архитектуру благодаря встроенной сквозной конструкции NMS, впервые представленной в YOLOv10. Благодаря устранению необходимости в постобработке Non-Maximum Suppression (NMS) и Distribution Focal Loss (DFL), YOLO26 достигает до 43% более быстрой CPU по сравнению с предыдущими поколениями. Он также интегрирует оптимизатор MuSGD, гибрид SGD Muon, обеспечивающий стабильную динамику обучения, вдохновленную инновациями LLM.
Для новых проектов, ориентированных на периферийные устройства или требующих максимально возможной пропускной способности, мы настоятельно рекомендуем изучить YOLO26.
Реальные примеры использования
Где превосходит YOLO11
- Edge AI & IoT: Благодаря высокому соотношению точности и параметров, YOLO11n (Nano) идеально подходит для Raspberry Pi и мобильных устройств.
- Медицинская визуализация: Возможность одновременного выполнения сегментации и обнаружения делает эту технологию идеальной для выявления опухолей или анализа клеточных структур.
- Робототехника: поддержка OBB имеет решающее значение для задач захвата в робототехнике, где важна ориентация.
Где применим PP-YOLOE+
- Интеграция с экосистемой Baidu: если ваша инфраструктура уже в значительной степени инвестирована в облачное искусственное интеллект Baidu или PaddlePaddle ускорители PaddlePaddle , PP-YOLOE+ обеспечивает нативную совместимость.
- Стационарные промышленные камеры: для серверного инференса, где размер модели менее ограничен, PP-YOLOE+ остается конкурентоспособным вариантом.
Заключение
Как YOLO11 PP-YOLOE+ являются эффективными архитектурами для обнаружения объектов. Однако для большинства исследователей и разработчиков Ultralytics YOLO11 (и более новая YOLO26) предлагает превосходный баланс производительности, простоты использования и поддержки экосистемы. Возможность плавного перехода между задачами в сочетании с обширной библиотекой ресурсов сообщества и документацией гарантирует, что ваш проект будет перспективным и масштабируемым.
Для более подробного изучения архитектур моделей рекомендуем ознакомиться с нашими сравнениями на RT-DETR для обнаружения на основе трансформаторов или YOLOv10 для ранних прорывов в области эффективности в реальном времени.