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:
- Авторы: Glenn Jocher
- Организация: Ultralytics
- Дата: 2020-06-26
- GitHub: ultralytics/yolov5
- Документация: Документация 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+:
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: 2203.16250
- GitHub: PaddlePaddle/PaddleDetection
- Документация: README 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.
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
| 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 |
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.
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.