YOLO26 и PP-YOLOE+
Модели обнаружения объектов в реальном времени быстро развиваются, и инженерам, выбирающим модель для развёртывания, нужно сравнивать скорость, точность и инструменты. На этой странице сравниваются Ultralytics YOLO26 и PP-YOLOE+: их архитектуры, методы обучения, метрики производительности и оптимальные сценарии реального развёртывания.
Происхождение моделей и метаданные#
Знакомство с историей этих архитектур обнаружения объектов помогает понять принципы их проектирования и целевые среды применения.
Обзор YOLO26
Выпущенная в январе 2026 года, YOLO26 — новейшая модель Ultralytics YOLO и рекомендуемый выбор для новых проектов. Она предназначена для развёртывания периферийного ИИ: модель компактна, поддерживает опциональный сквозной инференс и быстро работает на CPU и GPU.
- Авторы: Glenn Jocher и Jing Qiu
- Организация: Ultralytics
- Дата: 2026-01-14
- GitHub: Репозиторий Ultralytics на GitHub
- Документация: Официальная документация YOLO26
Обзор PP-YOLOE+
Созданная как развитие серии PP-YOLO, PP-YOLOE+ — это детектор без якорей, оптимизированный для экосистемы PaddlePaddle. В модели используются основа CSPRepResNet и голова ET для улучшения стандартных метрик обнаружения.
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: Научная статья о PP-YOLOE+
- GitHub: Репозиторий PaddleDetection
- Документация: Документация PP-YOLOE+
Архитектурные инновации#
Различия в обработке визуальных данных влияют на требования моделей к памяти, стабильность обучения и задержку инференса.
YOLO26: обнаружение с нативной сквозной архитектурой#
В YOLO26 внесено несколько архитектурных изменений, упрощающих развёртывание модели:
- Сквозная архитектура без NMS: развивая идеи, впервые представленные в YOLOv10, YOLO26 поддерживает нативный сквозной инференс, который пропускает постобработку с подавлением немаксимумов (NMS) благодаря опциональной голове one-to-one (
nms=False). Это уменьшает вариативность задержки и упрощает конвейеры развёртывания. - Удаление DFL: удаление Distribution Focal Loss (DFL) упрощает голову обнаружения, облегчая экспорт в такие форматы, как TensorRT и CoreML.
- Оптимизатор MuSGD: вдохновлённая моделью Kimi K2 от Moonshot AI, YOLO26 переносит инновации из обучения LLM в компьютерное зрение. Гибридный оптимизатор MuSGD (SGD + Muon) обеспечивает более стабильное обучение и быструю сходимость.
- ProgLoss + STAL: Progressive Loss и назначение меток с учётом малых объектов (STAL) улучшают распознавание небольших объектов, благодаря чему архитектура подходит для съёмки с дронов и сельскохозяйственных приложений.
PP-YOLOE+: подход, ориентированный на Paddle#
PP-YOLOE+ использует безъякорную архитектуру, ориентированную на высокую точность на стандартном серверном оборудовании. Основа CSPRepResNet улучшает извлечение признаков. Однако использование операций, специфичных для стека глубокого обучения Baidu, может усложнить модификацию сети и её экспорт для малоресурсных периферийных устройств по сравнению с фреймворками Ultralytics.
Сравнение производительности и метрик#
PP-YOLOE+ обеспечивает конкурентную точность, но YOLO26 достигает более высокого mAP при меньшей задержке TensorRT на T4 для каждого размера из таблицы ниже: например, 57.5 против 54.7 mAP и 11.8 против 14.3 мс для моделей размера x.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
Оптимизация для периферийных устройств и удаление DFL позволяют YOLO26n работать на CPU до 43% быстрее, чем YOLO11n. Скорость PP-YOLOE+ на CPU с ONNX здесь не указана, поэтому проведи бенчмарк обеих моделей на целевом устройстве, например Raspberry Pi или другом периферийном вычислительном модуле.
При сравнении архитектур моделей учти, что модели Ultralytics YOLO обычно используют при обучении меньше памяти, чем модели на основе трансформеров, поэтому они подходят для прототипирования на потребительских GPU.
Преимущества экосистемы Ultralytics#
PP-YOLOE+ — эффективная модель, но удобство разработки заметно отличается. Интегрированная экосистема Ultralytics охватывает весь рабочий процесс специалистов по компьютерному зрению.
- Простота использования: простой API Python избавляет от сложностей конвейеров данных и циклов обучения; ему сопутствует обширная документация, которую активно поддерживают.
- Универсальность: в отличие от PP-YOLOE+, ориентированной главным образом на обнаружение объектов, YOLO26 поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию изображений, оценку позы и ориентированные рамки объектов (OBB) через один и тот же API.
- Эффективность обучения: предварительно обученные веса загружаются автоматически, а встроенные аугментации обеспечивают эффективное обучение, которому обычно требуется меньше памяти CUDA и времени, чем старым фреймворкам.
Пример кода: просто и наглядно#
В следующем примере показано, как начать проект с API Ultralytics:
from ultralytics import YOLO
# Загружаем предварительно обученную nano-модель YOLO26 для оптимальной производительности на периферийных устройствах
model = YOLO("yolo26n.pt")
# Обучи модель на датасете 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 на инфраструктуре PaddlePaddle или в средах, использующих программный стек Baidu в качестве стандарта.
- 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: высокая скорость YOLO26 на CPU делает её отличным решением для умных камер, дронов и маломощной робототехники.
- Сценарии с жёсткими требованиями ко времени: опциональный режим инференса без NMS (
nms=False) обеспечивает стабильный инференс с низкой задержкой, что важно для исследований автономного вождения и высокоскоростного контроля качества на производстве. - Многозадачные проекты: если проект объединяет обнаружение объектов с масками сегментации или ключевыми точками, полученными при оценке позы, единый фреймворк YOLO26 справится со всеми задачами.
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, работающие только на CPU: устройства без выделенного ускорения на GPU, на которых преимущество YOLO26n особенно заметно: инференс на CPU выполняется до 43% быстрее, чем у YOLO11n.
- Обнаружение небольших объектов: сложные сценарии, например анализ снимков с высотных дронов или данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания небольших 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#
Для более широкого выбора рассмотрим YOLO11, предыдущее поколение моделей Ultralytics, которое по-прежнему широко используется в производственной среде. Для обнаружения на основе трансформеров подойдёт RT-DETR, хотя для обучения ему требуется больше памяти.
Благодаря оптимизатору MuSGD, ProgLoss + STAL и опциональному инференсу без NMS YOLO26 рекомендуется для масштабируемых и эффективных решений в области ИИ для компьютерного зрения.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.