YOLOv6-3.0 и PP-YOLOE+#

При выборе фреймворка для детекции объектов в реальном времени инженеры по машинному обучению часто оценивают различные высокопроизводительные архитектуры. Среди заметных моделей для промышленных приложений — YOLOv6-3.0 и PP-YOLOE+. Обе модели расширяют границы точности и скорости, но рассчитаны на несколько разные экосистемы и аппаратные платформы для развёртывания.

В этом техническом сравнении подробно рассматриваются архитектуры, показатели производительности и методики обучения этих моделей, а также современные альтернативы, такие как Ultralytics YOLO26, которые поддерживают больше задач и упрощают рабочий процесс.

YOLOv6-3.0: промышленный движок с высокой пропускной способностью#

Разработанная подразделением Vision AI компании Meituan, YOLOv6-3.0 глубоко оптимизирована для промышленной среды, особенно для систем с мощными GPU серверного класса.

• Авторы: Чуйи Ли, Лулу Ли, Ифэй Гэн, Хунлян Цзян, Мэн Чэн, Бо Чжан, Зайдань Кэ, Сяомин Сюй и Сянсян Чу
• Организация: Meituan
• Дата: 2023-01-13
• arXiv: 2301.05586
• GitHub: meituan/YOLOv6

Архитектурные инновации#

В YOLOv6-3.0 используется основа EfficientRep, специально разработанная для максимально эффективного использования аппаратных ускорителей, например GPU NVIDIA. Архитектура включает модуль двунаправленной конкатенации (BiC) в шейке, улучшающий объединение признаков с разных масштабов. Кроме того, в ней применяется стратегия обучения с поддержкой якорей (AAT). Такой гибридный подход сочетает стабильную сходимость сетей на основе якорей на этапе обучения со скоростью, характерной для детекторов без якорей, поскольку на этапе инференса якоря не используются.

Подробнее о YOLOv6

PP-YOLOE+: чемпион по детекции от PaddlePaddle#

PP-YOLOE+ — развитие серии PP-YOLO, полностью разработанное исследователями Baidu на базе фреймворка PaddlePaddle. Модель отлично подходит для сред, где экосистема Paddle уже используется.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• arXiv: 2203.16250
• GitHub: PaddlePaddle/PaddleDetection

Архитектурные инновации#

PP-YOLOE+ — детектор без якорей, в котором используется динамическая стратегия назначения меток TAL (обучение с выравниванием задач). Его основа CSPRepResNet эффективно извлекает семантические признаки при низких вычислительных затратах. Модель оптимизирована для развертывания с помощью TensorRT и OpenVINO и хорошо подходит для периферийных и серверных систем, если ты готов работать с фреймворком PaddlePaddle. При необходимости проекта модели Ultralytics также можно экспортировать в PaddlePaddle.

Узнай больше о PP-YOLOE+

Сравнение производительности#

Для оценки этих моделей нужно учитывать баланс между средней точностью (mAP) и скоростью инференса. В таблице ниже показана производительность моделей на валидационном наборе данных COCO.

Обе модели показывают высокую производительность, но YOLOv6-3.0 обычно немного превосходит PP-YOLOE+ по чистой скорости TensorRT на моделях меньшего размера. Это делает ее эффективной для высокоскоростных автоматизированных касс и обнаружения производственных дефектов. PP-YOLOE+, напротив, хорошо масштабируется до большего числа параметров для достижения максимальной точности.

Преимущества Ultralytics: знакомство с YOLO26#

YOLOv6-3.0 и PP-YOLOE+ — эффективные модели, но стремительное развитие компьютерного зрения требует архитектур, которые обеспечивают не только высокую скорость, но и простоту использования, низкие требования к памяти и единую экосистему. Модели Ultralytics YOLO, особенно YOLO11 и новейшая YOLO26, созданы с учетом этих требований.

Выпущенная в январе 2026 года YOLO26 предназначена для развертывания в первую очередь на периферийных устройствах и в облаке и предлагает несколько преимуществ перед более ранними моделями:

• Сквозная архитектура без NMS: YOLO26 развивает идеи, заложенные в YOLOv10. Ее необязательная голова один-к-одному (nms=False) пропускает этап постобработки с подавлением немаксимумов (NMS). Это упрощает логику развертывания и уменьшает разброс задержки в переполненных сценах.
• Инференс на CPU до 43% быстрее: после удаления функции потерь распределенного фокуса (DFL) YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, поэтому подходит для устройств IoT и мобильных приложений.
• Оптимизатор MuSGD: вдохновленный методами обучения больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, гибридный оптимизатор MuSGD объединяет SGD и Muon для стабильного и эффективного обучения.
• ProgLoss + STAL: прогрессивная функция потерь и назначение меток с учетом малых объектов улучшают распознавание небольших объектов — это важно для съемки с дронов и воздушного наблюдения.
• Универсальность для разных задач: в отличие от YOLOv6-3.0, ориентированной преимущественно на обнаружение, YOLO26 из коробки поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы и обнаружение объектов с ориентированными ограничивающими рамками (OBB).

Упрощённая экосистема обучения#

Для развертывания PP-YOLOE+ нужно настраивать среду PaddlePaddle, а работа с YOLOv6-3.0 требует освоения скриптов, ориентированных на исследования. В отличие от них, пакет Python ultralytics и платформа Ultralytics объединяют обучение, валидацию и экспорт в единый рабочий процесс.

Для обучения современной модели YOLO26 достаточно нескольких строк Python:

from ultralytics import YOLO

# Инициализация компактной модели YOLO26
model = YOLO("yolo26n.pt")

# Обучи модель на своём наборе данных (optimizer='auto' выбирает MuSGD для длительных запусков обучения)
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Проверь точность модели
metrics = model.val()

# Экспортируй в TensorRT (для OpenVINO используй format="openvino")
path = model.export(format="engine")

Этот простой API и меньший расход памяти при обучении по сравнению с моделями на основе Transformer, требовательными к ресурсам, такими как RT-DETR, делают высокопроизводительное обнаружение доступным для большего числа команд.

Оптимальные сценарии применения и стратегии развёртывания#

Выбор подходящей модели определяет успех конвейера развёртывания.

Когда использовать YOLOv6-3.0#

• Высокоскоростное производство: среды, где промышленные камеры подключены непосредственно к выделенным GPU NVIDIA T4 или A100 и требуется стабильно получать инференс менее чем за 5 мс.
• Видеоаналитика на стороне сервера: обработка множества насыщенных видеопотоков, когда основное ограничение — пропускная способность GPU.

Когда стоит выбрать PP-YOLOE+#

• Экосистемы Baidu/Paddle: корпоративные среды, глубоко интегрированные со стеком PaddlePaddle, или развёртывание специально на оборудовании, оптимизированном для инструментов Baidu.
• Высокоточные статичные изображения: сценарии, где высокая mAP модели Extra-Large (PP-YOLOE+x) важнее скорости развёртывания на периферийных устройствах.

Когда стоит выбрать Ultralytics YOLO26#

• Периферийные устройства и IoT: благодаря необязательному инференсу без NMS и отказу от DFL YOLO26 отлично подходит для развертывания на Raspberry Pi, NXP и мобильных CPU.
• Многозадачные приложения: проекты, требующие одновременного отслеживания объектов, оценки позы или сегментации через единый API.
• От быстрого прототипирования до промышленного развертывания: команды используют платформу Ultralytics для оптимизации разметки наборов данных, подбора гиперпараметров и развертывания моделей в один клик.

Разработчикам, которые хотят изучить более широкий спектр моделей обнаружения объектов, стоит ознакомиться с уникальными архитектурными подходами таких фреймворков, как YOLOX и DAMO-YOLO, в документации Ultralytics.