Сравнение YOLOv5 и PP-YOLOE+#

Выбор правильной архитектуры нейронной сети критически важен для любого современного проекта в области компьютерного зрения. Когда разработчики и исследователи оценивают модели для обнаружения объектов в реальном времени, решение часто сводится к поиску баланса между точностью, скоростью инференса и простотой развертывания. В этом техническом сравнении рассматриваются YOLOv5 и PP-YOLOE+, их архитектуры, показатели производительности и методики обучения, чтобы помочь тебе выбрать оптимальное решение для своего приложения.

Особенности архитектур#

Обе модели оказали значительное влияние на развитие ИИ для компьютерного зрения, но решают задачи обнаружения объектов с помощью различных структурных подходов и зависят от разных фреймворков.

Ultralytics YOLOv5: отраслевой стандарт#

Выпущенная в середине 2020 года Ultralytics YOLOv5 произвела революцию в доступности передовых моделей компьютерного зрения. Став первой нативной реализацией на PyTorch в семействе YOLO, она значительно снизила порог входа для Python-разработчиков и инженеров ML 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 backbone CSPDarknet, который эффективно извлекает богатые представления признаков, сохраняя при этом небольшое количество параметров. В модели появились якорные блоки с автоматическим обучением: их оптимальные размеры для пользовательских датасетов рассчитываются автоматически еще до начала обучения. Кроме того, интеграция мозаичной аугментации данных значительно повышает способность модели обнаруживать небольшие объекты и обобщать данные в сложных пространственных контекстах.

Одна из главных сильных сторон YOLOv5 — невероятная универсальность. В отличие от стандартных детекторов объектов, семейство YOLOv5 обеспечивает поддержку классификации изображений, сегментации экземпляров и обнаружения объектов по ограничивающим рамкам через единый API. Высокооптимизированная архитектура также обеспечивает значительно меньшее потребление памяти при обучении и инференсе по сравнению с ресурсоемкими сетями на базе Transformer.

PP-YOLOE+: конкурент на базе PaddlePaddle#

Выпущенная примерно двумя годами позже, модель PP-YOLOE+ развивает основу предыдущих итераций PP-YOLO. Она создана для демонстрации возможностей фреймворка глубокого обучения Baidu и содержит несколько архитектурных улучшений, повышающих среднюю точность.

Сведения о PP-YOLOE+:

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

PP-YOLOE+ использует безъякорную парадигму и backbone CSPRepResNet. Для повышения точности в модели применяются мощная методика Task Alignment Learning и Efficient Task-aligned Head. Хотя PP-YOLOE+ обеспечивает впечатляющие показатели точности, ее главный недостаток заключается в строгой зависимости от фреймворка PaddlePaddle. Это часто создает высокий порог освоения и проблемы совместимости для исследовательских команд и предприятий, уже глубоко работающих с окружениями PyTorch или TensorFlow.

Узнай больше о PP-YOLOE+

Производительность и бенчмарки#

При оценке этих моделей для промышленной эксплуатации крайне важно понимать компромиссы между точностью, скоростью инференса и объемом параметров. В таблице ниже представлены ключевые показатели производительности для вариантов разных размеров.

Хотя PP-YOLOE+ обеспечивает высокую точность, YOLOv5 стабильно демонстрирует более эффективное использование параметров и более быстрый инференс на устройствах с ограниченными ресурсами. Для периферийных развертываний с дефицитом памяти YOLOv5n предлагает непревзойденную скорость и чрезвычайно малый размер модели.

Преимущества Ultralytics: экосистема и удобство использования#

Истинная ценность архитектуры машинного обучения выходит за рамки сухих чисел: она включает весь опыт разработчика. Платформа Ultralytics и соответствующие инструменты с открытым исходным кодом образуют высококачественную, хорошо поддерживаемую экосистему, которая значительно ускоряет циклы разработки.

• Простота использования: Ultralytics скрывает от тебя сложный шаблонный код. Ты можешь обучать, валидировать и тестировать модели через интуитивно понятный Python API или CLI.
• Гибкость развертывания: экспорт моделей выполняется невероятно просто. Одной командой ты можешь преобразовать веса обученной модели YOLOv5 в такие форматы, как ONNX, TensorRT или OpenVINO, обеспечив широкую совместимость с периферийными и облачными окружениями.
• Активное сообщество: активное сообщество обеспечивает регулярные обновления, подробную документацию и надежные решения распространенных задач компьютерного зрения.

В отличие от этого, PP-YOLOE+ в значительной степени зависит от сложных конфигурационных файлов, специфичных для PaddleDetection, что может замедлить быстрое прототипирование и усложнить интеграцию в современные MLOps-конвейеры.

Практическая реализация и примеры кода#

Начать работу с Ultralytics очень просто. Ниже приведен полный готовый к запуску пример загрузки предварительно обученной модели YOLOv5, ее обучения на пользовательском датасете и экспорта результатов:

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset for 50 epochs
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on a sample image
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Export the optimized model to ONNX format
path = model.export(format="onnx")

Варианты применения и рекомендации#

Выбор между YOLOv5 и PP-YOLOE+ зависит от конкретных требований твоего проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOv5#

YOLOv5 — отличный выбор для:

• Проверенных производственных систем: существующих развертываний, где важны длительная история стабильной работы YOLOv5, обширная документация и огромная поддержка сообщества.
• Обучения при ограниченных ресурсах: сред с ограниченными ресурсами GPU, где эффективный конвейер обучения YOLOv5 и более низкие требования к памяти дают преимущества.
• Широкой поддержки форматов экспорта: проектов, требующих развертывания во множестве форматов, включая ONNX, TensorRT, CoreML и TFLite.

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.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• 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.

Альтернативные передовые модели, которые стоит рассмотреть#

Хотя YOLOv5 — надежный и проверенный стандарт, область компьютерного зрения развивается стремительно. Командам, начинающим новые проекты, мы настоятельно рекомендуем изучить наши более новые архитектуры.

Ultralytics YOLO26#

Выпущенная в январе 2026 года, YOLO26 представляет собой абсолютную вершину наших исследований. Она обеспечивает значительное повышение точности и скорости. Ключевые инновации включают:

• Сквозная архитектура без NMS: развивая концепции YOLOv10, YOLO26 нативно устраняет постобработку подавления немаксимумов (NMS), сокращая задержку и упрощая логику развертывания.
• Удаление DFL: за счет исключения Distribution Focal Loss YOLO26 обеспечивает до 43% более быстрый инференс на CPU, что делает ее чрезвычайно эффективной для периферийных устройств с низким энергопотреблением.
• Оптимизатор MuSGD: этот гибрид SGD и Muon, созданный под влиянием передовых методов обучения LLM, обеспечивает исключительно стабильные циклы обучения и более быструю сходимость.
• ProgLoss + STAL: эти передовые функции потерь заметно улучшают распознавание небольших объектов, что критически важно для изображений с дронов и умного сельского хозяйства.

Также стоит рассмотреть YOLO11, которая обеспечивает отличную производительность и служит надежным связующим звеном между устаревшими системами и передовыми возможностями YOLO26.

Практические сценарии использования#

Выбор между YOLOv5 и PP-YOLOE+ в конечном счете зависит от среды развертывания и ограничений твоего проекта.

Идеальные сценарии применения YOLOv5: Минимальные требования к ресурсам и невероятная простота использования делают YOLOv5 главным выбором для периферийного искусственного интеллекта. YOLOv5 превосходно проявляет себя в приложениях, требующих высокой частоты кадров на ограниченном оборудовании, таких как робототехника реального времени, интеграция в мобильные приложения и многокамерные системы мониторинга трафика. Способность YOLOv5 справляться с сегментацией экземпляров и классификацией изображений в рамках одного фреймворка делает YOLOv5 исключительно универсальным.

Оптимальные применения PP-YOLOE+: PP-YOLOE+ лучше всего подходит для сценариев, в которых максимальная точность на статичных изображениях важнее ограничений обработки в реальном времени. Она используется в узкоспециализированных конвейерах промышленного контроля, особенно в азиатских производственных секторах с устоявшимися технологическими стеками, тесно связанными с экосистемой Baidu и PaddlePaddle.

Подводя итог, можно сказать, что PP-YOLOE+ обеспечивает высокие показатели точности, однако модели Ultralytics YOLO предлагают непревзойденное сочетание сбалансированной производительности, бесшовного развертывания и удобного для разработчиков дизайна, помогая успешно доводить проекты компьютерного зрения от идеи до промышленной эксплуатации.