Начать

YOLOv5 и PP-YOLOE+

Выбор подходящей архитектуры нейронной сети — важный этап любого современного проекта в области компьютерного зрения. Когда разработчики и исследователи оценивают модели для обнаружения объектов в реальном времени, им часто приходится искать баланс между точностью, скоростью инференса и простотой развёртывания. В этом техническом сравнении рассматриваются YOLOv5 и PP-YOLOE+: их архитектуры, метрики производительности и методики обучения. Это поможет тебе выбрать подходящую модель для своего приложения.

Архитектуры моделей#

Обе модели повлияли на развитие ИИ в области компьютерного зрения, но решают задачи обнаружения объектов с помощью разных структурных подходов и зависимостей от фреймворков.

Ultralytics YOLOv5: отраслевой стандарт#

Выпущенная в июне 2020 года, Ultralytics YOLOv5 сделала передовые модели компьютерного зрения гораздо доступнее. Созданная на PyTorch, она снизила порог входа для Python-разработчиков и ML-инженеров по всему миру.

Сведения о YOLOv5:

В YOLOv5 используется модифицированный бэкбон CSPDarknet, который эффективно извлекает содержательные признаки, сохраняя при этом небольшое количество параметров. Модель представила автоматически обучаемые якорные рамки: перед началом обучения автоматически рассчитываются их оптимальные размеры для пользовательских датасетов. Кроме того, мозаичная аугментация данных помогает модели лучше обнаруживать небольшие объекты и обобщать знания в сложных пространственных контекстах.

Одна из сильных сторон YOLOv5 — универсальность. В отличие от моделей только для обнаружения объектов, репозиторий YOLOv5 поддерживает обнаружение ограничивающих рамок, сегментацию экземпляров (добавлена в v7.0) и классификацию изображений (добавлена в v6.2) в одной кодовой базе. Кроме того, во время обучения и инференса эта архитектура использует меньше памяти, чем ресурсоёмкие сети на основе Transformer.

PP-YOLOE+: конкурент на базе PaddlePaddle#

PP-YOLOE+, представленная в апреле 2022 года, развивает предыдущие версии PP-YOLO. Её разработала Baidu для своего фреймворка глубокого обучения PaddlePaddle; в модели реализовано несколько архитектурных улучшений для повышения средней точности (Average Precision).

Подробности о PP-YOLOE+:

В PP-YOLOE+ используется безъякорная архитектура и бэкбон CSPRepResNet. Для повышения точности в ней применяются выравнивание задач при обучении (TAL) и эффективная голова, согласованная с задачами. PP-YOLOE+ обеспечивает высокую точность, но её главный недостаток — зависимость от фреймворка PaddlePaddle. Для команд, уже использующих PyTorch или TensorFlow, это может усложнить освоение и интеграцию.

Узнай больше о PP-YOLOE+

Производительность и тесты#

При оценке моделей для эксплуатации важно понимать компромиссы между точностью, скоростью инференса и количеством параметров. В таблице ниже приведены основные метрики производительности для вариантов разных размеров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7
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

PP-YOLOE+ обеспечивает более высокий mAP для моделей любого масштаба, тогда как YOLOv5 быстрее выполняет инференс на T4 с TensorRT во всех масштабах. Для развёртывания на периферийных устройствах с ограниченной памятью YOLOv5n обеспечивает самую высокую скорость (1,12 мс) и наименьший размер (1,9 млн параметров) среди моделей в таблице.

Эффективное использование памяти

Модели Ultralytics разработаны с расчётом на эффективное обучение. По сравнению с детекторами на основе Transformer, например RT-DETR, YOLOv5 использует меньше памяти CUDA, поэтому ты можешь обучать модель с большим размером пакета или на потребительском оборудовании.

Преимущества Ultralytics: экосистема и простота использования#

Ценность архитектуры машинного обучения определяется не только численными показателями, но и общим опытом разработчика. Платформа Ultralytics и инструменты с открытым исходным кодом образуют хорошо поддерживаемую экосистему, которая сокращает циклы разработки.

  • Простота использования: Ultralytics избавляет от необходимости писать сложный шаблонный код. Ты можешь обучать, валидировать и тестировать модели с помощью удобного Python API или CLI.
  • Гибкость развёртывания: экспорт моделей не вызывает сложностей. Одной командой можно преобразовать обученные веса YOLOv5 в такие форматы, как ONNX, TensorRT или OpenVINO, обеспечив широкую совместимость с периферийными и облачными средами.
  • Активное сообщество: большое сообщество и активная поддержка означают частые обновления, подробную документацию и проверенные решения распространённых задач компьютерного зрения.

В отличие от неё, PP-YOLOE+ сильно зависит от сложных файлов конфигурации, специфичных для PaddleDetection. Это может замедлить быстрое прототипирование и усложнить интеграцию в современные конвейеры MLOps.

Практическое применение и примеры кода#

Начать работу с Ultralytics просто. Вот полный готовый к запуску пример, который загружает предварительно обученную модель YOLOv5u, обучает её на демонстрационном датасете COCO8, запускает инференс и экспортирует результат:

from ultralytics import YOLO

# Загрузить предварительно обученную малую модель YOLOv5
model = YOLO("yolov5su.pt")  # YOLOv5u: веса YOLOv5 без якорей для пакета ultralytics

# Обучи модель на наборе данных COCO8 в течение 50 эпох
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Выполни инференс на тестовом изображении
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Экспорт оптимизированной модели в формат ONNX
path = model.export(format="onnx")

Сценарии использования и рекомендации#

Выбор между YOLOv5 и PP-YOLOE+ зависит от требований конкретного проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

  • Проверенные промышленные системы: Существующие развертывания, где важны долгий опыт стабильной работы YOLOv5, обширная документация и большое сообщество.
  • Обучение при ограниченных ресурсах: среды с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и сниженные требования к памяти дают преимущество.
  • Широкая поддержка форматов экспорта: проекты, требующие развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и LiteRT.

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, на которых YOLO26n работает на CPU до 43% быстрее YOLO11n.
  • Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Другие передовые модели, которые стоит рассмотреть#

YOLOv5 — проверенный стандарт, но компьютерное зрение развивается стремительно. Командам, которые начинают новые проекты, Ultralytics рекомендует более новые архитектуры.

Ultralytics YOLO26#

Выпущенная в январе 2026 года YOLO26 — новейшее семейство моделей Ultralytics, превосходящее предыдущие поколения по точности и скорости. Среди ключевых инноваций:

  • Сквозная архитектура без NMS: развивая идеи YOLOv10, в YOLO26 реализовали опциональную голову с взаимно-однозначным сопоставлением (nms=False), которая пропускает этап постобработки подавления немаксимумов (NMS), сокращая задержку и упрощая логику развёртывания.
  • Удаление DFL: после удаления Distribution Focal Loss YOLO26n выполняет инференс на CPU до 43% быстрее, чем YOLO11n, поэтому подходит для периферийных устройств с низким энергопотреблением.
  • Оптимизатор MuSGD: этот гибрид SGD и Muon, созданный под влиянием методов обучения LLM, обеспечивает стабильное обучение и быструю сходимость.
  • ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учётом малых объектов повышают точность их распознавания, что особенно важно для съёмки с дронов и умного сельского хозяйства.

Также обрати внимание на YOLO11: эта модель обеспечивает высокую производительность и остаётся надёжным вариантом с полноценной поддержкой, промежуточным между устаревшими системами и YOLO26.

Примеры применения в реальных условиях#

Выбор между YOLOv5 и PP-YOLOE+ в конечном счёте зависит от среды развёртывания и ограничений проекта.

Оптимальные сценарии применения YOLOv5: Низкие требования YOLOv5 к ресурсам и простота использования делают её популярным выбором для периферийного ИИ. Модель хорошо подходит для приложений, которым нужна высокая частота кадров на ограниченном оборудовании, например для робототехники в реальном времени, интеграции с мобильными приложениями и систем мониторинга дорожного движения с несколькими камерами. Поддержка сегментации экземпляров и классификации изображений в рамках одного фреймворка делает её универсальной.

Оптимальные сценарии применения PP-YOLOE+: PP-YOLOE+ лучше всего подходит для задач, где максимальная точность важнее скорости инференса, а также для конвейеров промышленного контроля качества в организациях, техническая инфраструктура которых уже построена на экосистеме PaddlePaddle от Baidu.

Итог: хотя PP-YOLOE+ демонстрирует высокую точность в тестах, модели Ultralytics YOLO сочетают сбалансированную производительность, простоту развёртывания и удобную для разработчиков конструкцию, помогая переводить проекты компьютерного зрения от идеи к промышленной эксплуатации.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.