YOLO26 и PP-YOLOE+: сравнение#

Область компьютерного зрения стремительно развивается благодаря моделям обнаружения объектов в реальном времени. Для ML-инженеров и исследователей, стремящихся развернуть наиболее эффективные модели vision AI, критически важно сравнить такие архитектуры, как Ultralytics YOLO26 и PP-YOLOE+. Это подробное руководство содержит глубокий анализ их архитектур, методик обучения, показателей производительности и оптимальных сценариев развертывания в реальных условиях.

Происхождение моделей и метаданные#

Понимание истории этих архитектур компьютерного зрения помогает лучше понять их концепции проектирования и целевые среды применения.

Обзор YOLO26

Выпущенный в январе 2026 года, YOLO26 представляет собой вершину экосистемы Ultralytics. Он разработан как окончательное решение для периферийного ИИ с меньшим размером, встроенной сквозной обработкой и беспрецедентной 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+

Разработанный как эволюция серии PP-YOLO, PP-YOLOE+ представляет собой безакорный детектор, сильно оптимизированный для экосистемы PaddlePaddle. Он опирается на магистральную сеть CSPRepResNet и голову ET-head для улучшения стандартных метрик обнаружения.

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

Узнай больше о PP-YOLOE+

Архитектурные инновации#

Различия в способах обработки визуальных данных этими моделями существенно влияют на требования к памяти, стабильность обучения и задержку инференса.

YOLO26: передовой подход без NMS#

YOLO26 предлагает несколько важных архитектурных изменений, разработанных для упрощения развертывания модели:

• Сквозная архитектура без NMS: Развивая концепции, впервые представленные в YOLOv10, YOLO26 нативно устраняет этап постобработки подавления немаксимумов (NMS). Это уменьшает вариативность задержки и значительно упрощает конвейеры развертывания.
• Удаление DFL: Благодаря удалению распределенной фокальной функции потерь (DFL) модель становится исключительно легкой, что упрощает экспорт в такие форматы, как TensorRT и CoreML.
• Оптимизатор MuSGD: Вдохновленный Kimi K2 от Moonshot AI, YOLO26 переносит инновации обучения больших языковых моделей в компьютерное зрение. Гибридный оптимизатор MuSGD (SGD + Muon) обеспечивает исключительно стабильную динамику обучения и быструю сходимость.
• ProgLoss + STAL: Эти продвинутые функции потерь заметно повышают качество распознавания небольших объектов, делая архитектуру особенно эффективной для съемки с дронов и сельскохозяйственных применений.

PP-YOLOE+: подход, ориентированный на Paddle#

PP-YOLOE+ использует парадигму обнаружения без anchor-блоков, ориентированную на высокую точность на стандартном серверном оборудовании. В модели применяется структура RepResNet, улучшающая возможности извлечения признаков. Однако из-за сильной зависимости от специфических операций, доступных в стеке глубокого обучения Baidu, модификация сети или ее экспорт для сильно ограниченных периферийных устройств может быть значительно сложнее, чем в фреймворках Ultralytics.

Сравнение производительности и метрик#

Для разнообразных сценариев развертывания в реальных условиях крайне важно обеспечить правильный баланс между скоростью и точностью. Хотя PP-YOLOE+ демонстрирует конкурентоспособную точность, YOLO26 стабильно обеспечивает более выгодное соотношение характеристик, особенно при оценке скорости инференса на CPU и меньшего использования памяти.

Благодаря специальным оптимизациям для периферийных устройств и удалению DFL YOLO26 обеспечивает до 43% более быстрый инференс на CPU по сравнению с предшественниками, значительно превосходя PP-YOLOE+ при развертывании на таких устройствах, как Raspberry Pi, или на стандартных периферийных вычислительных модулях.

Преимущества экосистемы Ultralytics#

Хотя PP-YOLOE+ — функциональная модель, настоящее отличие заключается в удобстве работы разработчика. Интегрированная экосистема Ultralytics предоставляет непревзойденную среду для специалистов по vision AI.

1. Простота использования: Ultralytics предлагает удобный и оптимизированный пользовательский интерфейс. Простой API на Python абстрагирует сложность конвейеров данных и циклов обучения, а обширная документация регулярно обновляется и поддерживается.
2. Универсальность: В отличие от PP-YOLOE+, который в основном ориентирован на обнаружение объектов, YOLO26 изначально поддерживает классификацию изображений, сегментацию экземпляров, оценку позы и ориентированные ограничивающие рамки (OBB), используя ту же структуру API.
3. Эффективность обучения: Автоматическая загрузка доступных предварительно обученных весов в сочетании с продвинутыми аугментациями обеспечивает эффективный процесс обучения, требующий меньше памяти CUDA и времени по сравнению с традиционными фреймворками.

Пример кода: простота в действии#

Следующий корректный код на Python демонстрирует, насколько легко начать AI-проект с использованием API Ultralytics:

from ultralytics import YOLO

# Load a pre-trained YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform NMS-free inference on a target image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

Оптимальные применения в реальных условиях#

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

Когда развертывать PP-YOLOE+:

• Интеграция с экосистемой Baidu: Проекты, глубоко интегрированные в инфраструктуру PaddlePaddle, или конкретные азиатские производственные среды, где аппаратные и программные стеки Baidu используются в обязательном порядке.
• Пакетная обработка на сервере: Сценарии, выполняемые на оборудовании корпоративного класса, где дрожание задержки, вызванное NMS, представляет меньшую проблему.

Когда развертывать YOLO26:

• Периферийные устройства и IoT: Благодаря скорости CPU до 43% выше YOLO26 — оптимальный выбор для умных камер, дронов и маломощных робототехнических систем.
• Развертывание в условиях жестких временных требований: Нативная архитектура без NMS гарантирует стабильный инференс с ультранизкой задержкой, что критически важно для исследований автономного вождения и высокоскоростного контроля качества на производстве.
• Многозадачные проекты: Когда проекту требуется сочетание обнаружения объектов, точного создания масок с помощью сегментации или отслеживания ключевых точек посредством оценки позы, унифицированная платформа YOLO26 становится незаменимой.

Варианты применения и рекомендации#

Выбор между YOLO26 и PP-YOLOE+ зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLO26#

YOLO26 — подходящий выбор для:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется для следующих случаев:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами инференса, специально предназначенными для Paddle Lite или механизма инференса Paddle.
• Высокоточное обнаружение на сервере: Сценарии, в которых приоритетом является максимальная точность обнаружения на мощных GPU-серверах, а зависимость от фреймворка не имеет значения.

Изучение других архитектур#

Если ты изучаешь более широкий спектр моделей, мы также рекомендуем обратить внимание на YOLO11 — надежное предыдущее поколение моделей Ultralytics, которое по-прежнему широко используется в тысячах производственных сред. Кроме того, для сценариев, требующих механизмов на основе Transformer, архитектура RT-DETR предлагает интересную альтернативу, хотя и предъявляет более высокие требования к памяти во время обучения.

В конечном счете благодаря оптимизатору MuSGD, возможностям ProgLoss + STAL и архитектуре без NMS YOLO26 закрепляет за собой статус оптимального выбора для современных, масштабируемых и высокоэффективных решений vision AI.