YOLOv10 и PP-YOLOE+#

В стремительно развивающейся области компьютерного зрения выбор оптимальной архитектуры для обнаружения объектов в реальном времени критически важен для баланса точности, скорости инференса и эффективности развертывания. Среди заметных решений — YOLOv10 и PP-YOLOE+. Обе модели обладают широкими возможностями, но созданы на основе разных принципов проектирования и интегрированы в разные экосистемы.

В этом техническом руководстве подробно анализируются архитектуры этих двух моделей, рассматриваются их метрики производительности, структурные различия и оптимальные сценарии применения в реальных условиях. Понимая особенности каждой модели, инженеры и исследователи в области машинного обучения смогут принимать обоснованные решения при построении конвейеров развертывания.

YOLOv10: первопроходец в обнаружении объектов без NMS#

Разработанная исследователями Университета Цинхуа, YOLOv10 внесла значительные изменения в архитектуру, устранив необходимость в подавлении немаксимумов (NMS) на этапе постобработки. Такой сквозной подход решает давнее узкое место инференса в реальном времени, ускоряя и делая более предсказуемым развертывание, особенно на устройствах с ограниченными вычислительными ресурсами.

Технические характеристики#

• Авторы: Ao Wang, Hui Chen, Lihao Liu и др.
• Организация: Университет Цинхуа
• Дата: 2024-05-23
• Arxiv: 2405.14458
• GitHub: THU-MIG/yolov10
• Документация: Документация YOLOv10

Сильные и слабые стороны архитектуры#

Ключевая особенность YOLOv10 — согласованные двойные назначения для обучения без NMS, благодаря которым модель напрямую предсказывает ограничивающие рамки, не полагаясь на эвристическую пороговую фильтрацию. Это обеспечивает отличный баланс скорости и точности, особенно у компактных вариантов модели. Архитектура также оптимизирована для комплексного повышения эффективности и точности, что позволяет сократить избыточные вычисления.

Однако, будучи моделью, предназначенной исключительно для обнаружения объектов, она не обладает универсальностью моделей, которые сразу поддерживают сегментацию экземпляров или оценку позы.

Подробнее о YOLOv10

PP-YOLOE+: мощное решение на базе PaddlePaddle#

PP-YOLOE+ — улучшенная версия оригинальной PP-YOLOE, разработанная командой PaddlePaddle компании Baidu. В ее основе — высокооптимизированный подход без якорей и передовые стратегии обучения, позволяющие повысить среднюю точность (mAP) на стандартных бенчмарках.

Технические характеристики#

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection
• Документация: README PP-YOLOE+ на GitHub

Сильные и слабые стороны архитектуры#

В PP-YOLOE+ используется масштабируемая базовая сеть CSPRepResNet и мощная шейка, значительно улучшающая извлечение признаков. Методология обучения опирается на предварительное обучение на крупных наборах данных, таких как Objects365, что повышает точность модели, особенно у вариантов большего размера x и l.

Главный недостаток PP-YOLOE+ — тесная зависимость от фреймворка PaddlePaddle. Командам, привыкшим к PyTorch или унифицированной экосистеме Ultralytics, внедрение PP-YOLOE+ может доставить немало сложностей. Кроме того, из-за большего числа параметров модели требуется больше памяти во время обучения, чем эквивалентным моделям Ultralytics YOLO.

Подробнее о PP-YOLOE+

Тесты производительности#

В следующей таблице напрямую сравниваются YOLOv10 и PP-YOLOE+ разных размеров, показаны компромиссы между эффективностью использования параметров, вычислительной сложностью (FLOPs) и точностью.

Как видно, YOLOv10 значительно превосходит PP-YOLOE+ по эффективности использования параметров и скорости инференса на TensorRT, что делает ее более подходящим кандидатом для периферийных вычислений. Максимальная теоретическая точность самого крупного варианта PP-YOLOE+ немного выше, но для него требуется более чем втрое больше параметров.

Сценарии использования и рекомендации#

Выбор между YOLOv10 и PP-YOLOE+ зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда выбирать YOLOv10#

YOLOv10 — хороший выбор для:

• Детектирование в реальном времени без NMS: Приложения, которым полезно сквозное детектирование без подавления немаксимумов, что упрощает развертывание.
• Сбалансированное соотношение скорости и точности: Проекты, в которых важно найти оптимальный баланс между скоростью инференса и точностью детектирования для моделей разных размеров.
• Приложения с постоянной задержкой: Сценарии развертывания, где важны предсказуемые времена инференса, например в робототехнике или автономных системах.

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.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

• 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.

Преимущество Ultralytics и будущее: YOLO26#

Хотя YOLOv10 и PP-YOLOE+ обладают специализированными преимуществами, современный стандарт промышленного компьютерного зрения задает новейшая Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 вобрала лучшие архитектурные инновации, включая впервые представленную в YOLOv10 архитектуру без NMS, и объединила их в удобной многофункциональной среде.

Основные нововведения YOLO26#

• Сквозная архитектура без NMS: Благодаря необязательной голове с назначением один-к-одному (nms=False), устраняющей задержку на постобработку с помощью NMS, YOLO26 обеспечивает стабильный и быстрый инференс, необходимый для автономных транспортных средств и скоростной робототехники.
• Оптимизация для периферийных устройств: Удаление Distribution Focal Loss (DFL) упрощает форматы экспорта моделей и обеспечивает до 43% более быстрый инференс на CPU по сравнению с предыдущими поколениями.
• Усовершенствованная динамика обучения: Благодаря новому оптимизатору MuSGD — гибриду SGD и Muon — YOLO26 переносит стабильность обучения LLM в задачи компьютерного зрения, обеспечивая более быструю и надежную сходимость.
• Повышение точности благодаря ProgLoss + STAL: Эти передовые функции потерь специально предназначены для сложных сценариев и значительно повышают точность обнаружения мелких объектов — это важно для аэрофотоснимков и сельского хозяйства.

Непревзойденная универсальность#

В отличие от PP-YOLOE+, ориентированной на обнаружение объектов, YOLO26 поддерживает классификацию изображений, ориентированные ограничивающие рамки (OBB), оценку позы и сегментацию в единой кодовой базе. Ты можешь легко работать с наборами данных, обучать и развертывать модели непосредственно через платформу Ultralytics.

from ultralytics import YOLO

# Инициализируй компактную модель YOLO26, соответствующую последним достижениям
model = YOLO("yolo26n.pt")

# Обучай модель без лишних сложностей с помощью мощного движка Ultralytics
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель в TensorRT для молниеносно быстрого развертывания
model.export(format="engine", quantize=16)

Применение в реальных условиях#

Выбор подходящей модели во многом зависит от ограничений развертывания:

• PP-YOLOE+ хорошо подходит для отдельных промышленных сценариев в Азии, где уже используется аппаратно-программный стек Baidu. Модель эффективно справляется с контролем качества на производстве при статичных условиях и высоком разрешении.
• YOLOv10 оптимальна для управления потоками людей и условий, в которых удаление NMS сокращает колебания задержки и делает отслеживание объектов в реальном времени более стабильным.
• Ultralytics YOLO26 остается оптимальным выбором для масштабирования на уровне всего предприятия. Будь то анализ дорожного движения в умных городах или развертывание на периферийных узлах с крайне низким энергопотреблением, таких как Raspberry Pi, минимальное потребление памяти, исчерпывающая документация и унифицированный конвейер обучения обеспечат быструю окупаемость инвестиций.

Если ты хочешь изучить предыдущие поддерживаемые архитектуры или альтернативы на основе Transformer в экосистеме, смотри документацию по YOLO11 или RT-DETR.

В конечном счете, хорошо поддерживаемая экосистема и простой API позволяют разработчикам меньше времени тратить на отладку файлов конфигурации и больше — на решение реальных задач ИИ для компьютерного зрения.