YOLO26 и PP-YOLOE+#

В сфере компьютерного зрения модели обнаружения объектов в реальном времени развиваются стремительными темпами. Для ML-инженеров и исследователей, стремящихся развернуть наиболее эффективные модели ИИ для компьютерного зрения, крайне важно сравнить такие архитектуры, как Ultralytics YOLO26 и PP-YOLOE+. В этом подробном руководстве анализируются их архитектуры, методики обучения, показатели производительности и оптимальные сценарии развертывания в реальных условиях.

Происхождение моделей и метаданные#

Понимание предыстории этих архитектур компьютерного зрения помогает лучше понять заложенные в них принципы проектирования и целевые области применения.

Обзор YOLO26

Выпущенная в январе 2026 года, YOLO26 стала вершиной развития экосистемы Ultralytics. Она создана как эталонное решение для периферийного ИИ и отличается компактностью, встроенной сквозной обработкой и непревзойденной скоростью.

• Авторы: Glenn Jocher и Jing Qiu
• Организация: Ultralytics
• Дата: 2026-01-14
• GitHub: Репозиторий Ultralytics на GitHub
• Документация: Официальная документация YOLO26

Обзор PP-YOLOE+

PP-YOLOE+, созданная как развитие серии PP-YOLO, — это безанкерный детектор, глубоко оптимизированный для экосистемы PaddlePaddle. В ней используются магистральная сеть CSPRepResNet и голова ET для улучшения стандартных показателей обнаружения.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: Научная статья о PP-YOLOE+
• GitHub: Репозиторий PaddleDetection
• Документация: Документация PP-YOLOE+

Узнай больше о PP-YOLOE+

Архитектурные инновации#

Различия в обработке визуальных данных этими моделями существенно влияют на требования к памяти, стабильность обучения и задержку при инференсе.

YOLO26: новый этап обнаружения без NMS#

В YOLO26 реализован ряд революционных архитектурных изменений, упрощающих развертывание моделей:

• Сквозная архитектура без NMS: Развивая идеи, впервые представленные в YOLOv10, YOLO26 поддерживает встроенный сквозной инференс без этапа постобработки подавления немаксимумов (NMS) благодаря опциональной голове один-к-одному (nms=False). Это снижает колебания задержки и значительно упрощает конвейеры развертывания.
• Удаление DFL: Благодаря удалению Distribution Focal Loss (DFL) модель стала значительно легче, что позволяет без проблем экспортировать ее в такие форматы, как TensorRT и CoreML.
• Оптимизатор MuSGD: Вдохновленная моделью Kimi K2 от Moonshot AI, YOLO26 переносит инновации обучения LLM в компьютерное зрение. Гибридный оптимизатор MuSGD (SGD + Muon) обеспечивает высокую стабильность динамики обучения и быстрое схождение.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно улучшают распознавание мелких объектов, делая архитектуру особенно эффективной для изображений с дронов и задач в сельском хозяйстве.

PP-YOLOE+: подход, ориентированный на Paddle#

PP-YOLOE+ использует безанкерную парадигму, ориентированную на высокую точность при работе на стандартном серверном оборудовании. В модели применяется структура RepResNet, улучшающая извлечение признаков. Однако из-за сильной зависимости от специфических операций, доступных в стеке глубокого обучения Baidu, модифицировать сеть или экспортировать ее для сильно ограниченных периферийных устройств может быть значительно сложнее, чем при использовании фреймворков Ultralytics.

Сравнение производительности и метрик#

Для самых разных сценариев развертывания в реальных условиях важно сбалансировать производительность, скорость и точность. PP-YOLOE+ обеспечивает конкурентоспособную точность, но YOLO26 стабильно предлагает более выгодный компромисс, особенно по скорости инференса на CPU и низкому потреблению памяти.

Благодаря специальным оптимизациям для периферийных устройств и удалению DFL YOLO26 обеспечивает инференс на CPU до 43% быстрее, чем предыдущие модели, значительно превосходя PP-YOLOE+ при развертывании на таких устройствах, как Raspberry Pi, или на стандартных периферийных вычислительных модулях.

Преимущества экосистемы Ultralytics#

Хотя PP-YOLOE+ — способная модель, ее главное отличие от конкурентов — удобство для разработчиков. Интегрированная экосистема Ultralytics предлагает непревзойденную среду для специалистов по ИИ в области компьютерного зрения.

1. Простота использования: Ultralytics предлагает удобный и эффективный пользовательский интерфейс. Простой API Python скрывает сложность конвейеров обработки данных и циклов обучения; его дополняет обширная и активно обновляемая документация.
2. Универсальность: В отличие от PP-YOLOE+, ориентированной преимущественно на обнаружение объектов, YOLO26 изначально поддерживает классификацию изображений, сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB), используя единую структуру API.
3. Эффективность обучения: Автоматическая загрузка доступных предварительно обученных весов и продвинутые аугментации обеспечивают эффективное обучение, которое требует меньше памяти CUDA и времени по сравнению с традиционными фреймворками.

Пример кода: просто и наглядно#

Следующий рабочий код Python показывает, как легко начать ИИ-проект с помощью API Ultralytics:

from ultralytics import YOLO

# Загружаем предварительно обученную nano-модель YOLO26 для оптимальной производительности на периферийных устройствах
model = YOLO("yolo26n.pt")

# Без труда обучаем модель на наборе данных COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Выполняем инференс без NMS для целевого изображения
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Экспортируем в формат ONNX для развертывания
model.export(format="onnx")

Оптимальные сценарии применения в реальных условиях#

Выбор между YOLO26 и PP-YOLOE+ во многом зависит от ограничений твоей производственной среды.

Когда развертывать PP-YOLOE+:

• Интеграция с экосистемой Baidu: Проекты, глубоко связанные с инфраструктурой PaddlePaddle, или конкретные производственные среды в Азии, где строго предписано использовать аппаратный и программный стек Baidu.
• Пакетная обработка на стороне сервера: Сценарии на оборудовании корпоративного класса, где колебания задержки из-за NMS не представляют большой проблемы.

Когда развертывать YOLO26:

• Периферийные устройства и IoT: Благодаря ускорению работы на CPU до 43% YOLO26 — идеальный выбор для умных камер, дронов и маломощных систем робототехники.
• Развертывание с жесткими временными ограничениями: Опциональный режим инференса без NMS (nms=False) обеспечивает стабильную сверхнизкую задержку, необходимую для исследований автономного вождения и высокоскоростного контроля качества на производстве.
• Многозадачные проекты: Когда проект требует сочетать обнаружение объектов, точное создание масок с помощью сегментации или отслеживание ключевых точек с помощью оценки позы, единая платформа YOLO26 незаменима.

Сценарии использования и рекомендации#

Выбирая между YOLO26 и PP-YOLOE+, учитывай требования своего проекта, ограничения развертывания и предпочтения в отношении экосистемы.

Когда выбирать YOLO26#

YOLO26 — отличный выбор для таких задач:

• 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 ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее 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.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется в следующих случаях:

• 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.

Другие архитектуры#

Тем, кто изучает более широкий спектр моделей, рекомендуем также ознакомиться с YOLO11 — надежной предыдущей линейкой моделей Ultralytics, которая по-прежнему широко используется в тысячах производственных сред. Кроме того, для сценариев, требующих механизмов на основе Transformer, архитектура RT-DETR представляет собой интересную альтернативу, хотя при обучении ей требуется больше памяти.

Благодаря оптимизатору MuSGD, возможностям ProgLoss + STAL и опциональному инференсу без NMS YOLO26 закрепляет за собой статус лучшего решения для современных, масштабируемых и высокоэффективных систем ИИ в области компьютерного зрения.