Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv10 против PP-YOLOE+: комплексное техническое сравнение#

В стремительно развивающемся мире компьютерного зрения выбор оптимальной архитектуры для детектирования объектов в реальном времени имеет решающее значение для баланса между точностью, скоростью вывода и эффективностью развертывания. Два заметных претендента в этой области — YOLOv10 и PP-YOLOE+. Хотя обе модели обладают мощными возможностями, они основаны на разных принципах проектирования и интеграции с экосистемами.

Это техническое руководство содержит углубленный анализ этих двух архитектур, изучая их метрики производительности, структурные различия и сценарии идеального применения в реальных задачах. Понимая нюансы каждой из них, инженеры по машинному обучению и исследователи смогут принимать обоснованные решения для своих конвейеров развертывания.

Link to this sectionYOLOv10: пионер детектирования без NMS#

Разработанная исследователями из Университета Цинхуа, YOLOv10 привнесла значительный сдвиг в архитектуру, исключив необходимость в подавлении немаксимумов (NMS) на этапе постобработки. Этот подход «от конца к концу» (end-to-end) устраняет давнее «узкое место» при выводе в реальном времени, делая развертывание быстрее и предсказуемее, особенно на устройствах с ограниченными вычислительными ресурсами.

Link to this sectionТехнические метаданные#

Link to this sectionАрхитектурные сильные и слабые стороны#

Отличительная черта YOLOv10 — последовательное двойное назначение (dual assignments) для обучения без NMS, что позволяет предсказывать ограничивающие рамки (bounding boxes) напрямую, не полагаясь на эвристическую пороговую фильтрацию. Это обеспечивает отличный баланс скорости и точности, особенно для небольших вариантов моделей. Архитектура также использует целостный подход к дизайну, ориентированный на эффективность и точность, минимизируя избыточность вычислений.

Однако, будучи моделью, строго ориентированной на детектирование, она лишена встроенной универсальности, присущей моделям, поддерживающим сегментацию экземпляров или оценку позы «из коробки».

Узнай больше о YOLOv10

Link to this sectionPP-YOLOE+: мощный инструмент PaddlePaddle#

PP-YOLOE+ — это обновленная версия оригинальной PP-YOLOE, разработанная командой Baidu PaddlePaddle. Она построена на базе высокооптимизированной парадигмы без якорей (anchor-free) и использует передовые стратегии обучения, чтобы расширить границы средней точности (mAP) на стандартных бенчмарках.

Link to this sectionТехнические метаданные#

Link to this sectionАрхитектурные сильные и слабые стороны#

PP-YOLOE+ использует масштабируемый бэкбон и мощную конструкцию «шеи» (CSPRepResNet), которая значительно ускоряет извлечение признаков. Методология обучения во многом опирается на крупномасштабные наборы данных, такие как Objects365 для предварительного обучения, что способствует впечатляющей точности, особенно на более крупных вариантах x и l.

Основным недостатком PP-YOLOE+ является глубокая привязка к фреймворку PaddlePaddle. Для команд, привыкших к PyTorch или унифицированной экосистеме Ultralytics, внедрение PP-YOLOE+ может вызвать сложности. Кроме того, большее количество параметров приводит к более высоким требованиям к памяти во время обучения по сравнению с эквивалентными моделями Ultralytics YOLO.

Узнай больше о PP-YOLOE+

Link to this sectionТесты производительности#

В следующей таблице представлено прямое сравнение YOLOv10 и PP-YOLOE+ в различных масштабах, подчеркивающее компромиссы между эффективностью параметров, вычислительными затратами (FLOPs) и «чистой» точностью.

Модельразмер
(пиксели)		mAPval
50-95		Скорость
CPU ONNX
(мс)		Скорость
T4 TensorRT10
(мс)		параметры
(М)		FLOPs
(Б)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Как видно, YOLOv10 значительно превосходит PP-YOLOE+ по эффективности параметров и скорости вывода на TensorRT, что делает ее более сильным кандидатом для сред периферийных вычислений (edge computing). PP-YOLOE+ немного выигрывает по максимальной теоретической точности в своем самом большом варианте, хотя и при почти двойном количестве параметров.

Link to this sectionСценарии использования и рекомендации#

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

Link to this sectionКогда стоит выбрать YOLOv10#

YOLOv10 — отличный выбор для:

  • Детекции в реальном времени без NMS: Приложения, которым полезна сквозная (end-to-end) детекция без использования Non-Maximum Suppression, что снижает сложность развертывания.
  • Сбалансированного соотношения скорости и точности: Проекты, требующие оптимального баланса между скоростью вывода и точностью детекции для различных масштабов моделей.
  • Приложений с постоянной задержкой: Сценарии развертывания, где критически важна предсказуемость времени вывода, например, в робототехнике или автономных системах.

Link to this sectionКогда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется для:

  • Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu PaddlePaddle.
  • Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
  • Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта разработчика:

  • Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
  • Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
  • Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionПреимущество Ultralytics и будущее: YOLO26#

Хотя YOLOv10 и PP-YOLOE+ предлагают свои специализированные преимущества, современный стандарт для профессионального компьютерного зрения определяется новейшей Ultralytics YOLO26. Выпущенная в январе 2026 года, YOLO26 вобрала в себя лучшие архитектурные инновации — включая дизайн без NMS, предложенный YOLOv10 — и интегрировала их в бесшовную, многозадачную среду.

Почему стоит выбрать YOLO26?

Модели Ultralytics отдают приоритет простоте использования. Благодаря унифицированному Python API ты обходишься без сложных конфигурационных файлов. Более того, модели YOLO, как правило, требуют меньше памяти CUDA по сравнению с детекторами на базе Transformer, что обеспечивает более быстрое и экономичное обучение.

Link to this sectionКлючевые инновации в YOLO26#

  • Дизайн «от конца к концу» без NMS: Устраняя задержки постобработки, YOLO26 гарантирует стабильный высокоскоростной вывод, критически важный для автономных транспортных средств и быстрой робототехники.
  • Оптимизация для Edge-устройств: Отказ от Distribution Focal Loss (DFL) упрощает форматы экспорта моделей и обеспечивает до 43% более быстрый вывод на CPU по сравнению с предыдущими поколениями.
  • Продвинутая динамика обучения: Используя новый оптимизатор MuSGD Optimizer — гибрид SGD и Muon — YOLO26 привносит стабильность обучения больших языковых моделей (LLM) в задачи компьютерного зрения, обеспечивая более быструю и надежную сходимость.
  • Повышенная точность через ProgLoss + STAL: Эти передовые функции потерь специально нацелены на сложные сценарии, предлагая исключительный прирост точности детектирования мелких объектов, что имеет решающее значение для аэрофотосъемки и сельского хозяйства.

Link to this sectionНепревзойденная универсальность#

В отличие от PP-YOLOE+, которая фокусируется на детектировании, YOLO26 обрабатывает классификацию изображений, ориентированные ограничивающие рамки (OBB), оценку позы и сегментацию в рамках единой кодовой базы. Ты можешь легко управлять наборами данных, обучать и развертывать модели прямо через платформу Ultralytics.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train smoothly with the powerful Ultralytics engine
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to TensorRT for blazing fast deployment
model.export(format="engine", half=True)

Link to this sectionПрименение в реальных условиях#

Выбор правильной модели во многом зависит от ограничений развертывания:

  • PP-YOLOE+ отлично подходит для специфических промышленных развертываний в Азии, где программно-аппаратный стек Baidu уже внедрен. Она хорошо справляется со статичным контролем качества при производстве с высоким разрешением.
  • YOLOv10 оптимальна для плотного управления толпой и сред, где удаление NMS снижает вариативность задержки, делая отслеживание в реальном времени более последовательным.
  • Ultralytics YOLO26 остается окончательным выбором для масштабирования на уровне предприятия. Будь то анализ трафика в умных городах или развертывание на маломощных edge-узлах, таких как Raspberry Pi, ее минимальный объем памяти, исчерпывающая документация и унифицированный конвейер обучения обеспечивают быструю окупаемость инвестиций (ROI).

Для тех, кто заинтересован в изучении старых поддерживаемых архитектур или альтернатив на базе Transformer внутри экосистемы, ознакомься с документацией для YOLO11 или RT-DETR.

В конечном итоге, хорошо поддерживаемая экосистема в сочетании с простым API гарантирует, что ты тратишь меньше времени на отладку конфигурационных файлов и больше времени на решение реальных проблем Vision AI.

Авторы
GLglenn-jocher13PDpderrenger1

Комментарии