YOLOv6-3.0 и PP-YOLOE+: сравнение#

При выборе фреймворка для обнаружения объектов в реальном времени инженеры по машинному обучению часто оценивают различные высокопроизводительные архитектуры. Две заметные модели в сфере промышленных приложений — YOLOv6-3.0 и PP-YOLOE+. Обе модели расширили пределы точности и скорости, однако каждая из них адаптирована под немного отличающиеся экосистемы и аппаратное обеспечение для развертывания.

В этом техническом сравнении подробно рассматриваются их архитектуры, метрики производительности и методики обучения, а также представлены современные альтернативы, такие как Ultralytics YOLO26, которые обеспечивают превосходную универсальность и простоту использования.

YOLOv6-3.0: промышленный движок с высокой пропускной способностью#

Разработанная отделом Vision AI компании Meituan, модель YOLOv6-3.0 сильно оптимизирована для промышленных сред, особенно тех, где используются мощные серверные GPU.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu и Xiangxiang Chu
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6

Архитектурные инновации#

YOLOv6-3.0 использует backbone EfficientRep, специально разработанный для максимального использования аппаратных ускорителей, таких как GPU NVIDIA. Архитектура добавляет в neck модуль Bi-directional Concatenation (BiC), значительно улучшая объединение многоуровневых признаков. Кроме того, в ней применяется стратегия Anchor-Aided Training (AAT). Этот гибридный подход использует надежные характеристики сходимости сетей на основе anchor на этапе обучения, отбрасывая anchor во время инференса для сохранения высокой скорости, типичной для anchor-free подходов.

Узнай больше о YOLOv6

PP-YOLOE+: чемпион PaddlePaddle в обнаружении объектов#

PP-YOLOE+ — развитие серии PP-YOLO, полностью созданное в рамках фреймворка PaddlePaddle исследователями Baidu. Модель особенно эффективна в средах, где экосистема Paddle уже внедрена.

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

Архитектурные инновации#

PP-YOLOE+ — детектор anchor-free, в котором применяется динамическая стратегия назначения меток под названием TAL (Task Alignment Learning). Он использует backbone CSPRepResNet, эффективно извлекающий семантические признаки при сохранении вычислительной эффективности. Модель отлично оптимизирована для развертывания через TensorRT и OpenVINO, что делает ее сильным кандидатом для периферийных и серверных развертываний, если ты готов работать с API PaddlePaddle.

Узнай больше о PP-YOLOE+

Сравнение производительности#

Для оценки этих моделей необходимо учитывать соотношение средней точности (mAP) и скорости инференса. В таблице ниже показана их производительность на валидационном наборе данных COCO.

Обе модели демонстрируют высокую производительность, однако YOLOv6-3.0 обычно немного опережает другие модели по фактической скорости TensorRT при небольших размерах, что делает ее особенно эффективной для высокоскоростных автоматизированных касс или обнаружения производственных дефектов. PP-YOLOE+, напротив, хорошо масштабируется до большего количества параметров для достижения максимальной точности.

Преимущество Ultralytics: знакомство с YOLO26#

Хотя YOLOv6-3.0 и PP-YOLOE+ обладают широкими возможностями, стремительное развитие компьютерного зрения требует архитектур, предлагающих не только высокую скорость, но и исключительную простоту использования, сниженные требования к памяти и унифицированную экосистему. Именно здесь модели Ultralytics YOLO, особенно YOLO11 и передовая YOLO26, меняют представление о современном уровне технологий.

Выпущенная в январе 2026 года, YOLO26 устанавливает новый стандарт для vision AI, ориентированного прежде всего на периферийные устройства и готового к работе в облаке, предлагая существенные преимущества по сравнению с устаревшими моделями:

• Сквозная архитектура без NMS: опираясь на основы, заложенные в YOLOv10, YOLO26 изначально устраняет подавление немаксимумов (NMS) на этапе постобработки. Это значительно упрощает логику развертывания и уменьшает вариативность задержки в насыщенных сценах.
• До 43% более быстрый инференс на CPU: благодаря стратегическому удалению распределённой фокальной потери (DFL) YOLO26 значительно ускоряет работу на CPU, что делает ее намного эффективнее YOLOv6 и PP-YOLOE+ на устройствах IoT и в мобильных приложениях.
• Оптимизатор MuSGD: вдохновленный передовыми методами обучения LLM, такими как Kimi K2 от Moonshot AI, гибридный оптимизатор MuSGD обеспечивает исключительно стабильное и эффективное обучение, сходясь быстрее традиционных SGD или AdamW.
• ProgLoss + STAL: эти современные функции потерь заметно улучшают распознавание небольших объектов — критически важный фактор для изображений с дронов и воздушного наблюдения.
• Универсальность для разных задач: в отличие от YOLOv6-3.0, ориентированной преимущественно на обнаружение объектов, YOLO26 из коробки поддерживает сегментацию экземпляров, оценку позы, классификацию и обнаружение ориентированных ограничивающих прямоугольников (OBB).

Упрощенная экосистема обучения#

Для развертывания PP-YOLOE+ необходимо управлять средой PaddlePaddle, а для YOLOv6-3.0 — разбираться со скриптами, ориентированными на исследовательские задачи. В свою очередь, Ultralytics Platform обеспечивает плавный путь от начального знакомства до готового решения.

Для обучения современной модели YOLO26 достаточно нескольких строк на Python:

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's accuracy
metrics = model.val()

# Export seamlessly to OpenVINO or TensorRT
path = model.export(format="engine")

Этот простой API в сочетании с меньшим потреблением памяти во время обучения по сравнению с моделями с большим количеством Transformer-компонентов, такими как RT-DETR, делает высокопроизводительный AI доступным для более широкого круга пользователей.

Идеальные сценарии использования и стратегии развёртывания#

Выбор подходящей модели определяет успех твоего конвейера развертывания.

Когда использовать YOLOv6-3.0#

• Высокоскоростное производство: среды, в которых промышленные камеры напрямую передают данные на выделенные GPU NVIDIA T4 или A100, требуя стабильного инференса менее чем за 5 мс.
• Видеоаналитика на сервере: обработка нескольких плотных видеопотоков, где основным узким местом является чистая пропускная способность GPU.

Когда использовать PP-YOLOE+#

• Экосистемы Baidu/Paddle: корпоративные среды, активно использующие технологический стек PaddlePaddle или развертывающие решения специально на оборудовании, оптимизированном для инструментов Baidu.
• Статические изображения с высокой точностью: сценарии, в которых высокая mAP модели Extra-Large (PP-YOLOE+x) важнее скорости развертывания на периферийных устройствах.

Когда стоит выбрать Ultralytics YOLO26#

• Периферийные устройства и устройства IoT: благодаря архитектуре без NMS и удалению DFL YOLO26 является очевидным выбором для развертывания на Raspberry Pi, NXP или мобильных CPU.
• Многозадачные приложения: проекты, требующие одновременного отслеживания объектов, оценки позы или сегментации с использованием унифицированного API.
• Быстрое прототипирование и переход в продакшен: команды, использующие Ultralytics Platform для упрощенной разметки наборов данных, настройки гиперпараметров и развертывания моделей в один клик.

Разработчикам, желающим изучить более широкий спектр моделей обнаружения, также стоит ознакомиться с фреймворками YOLOX и DAMO-YOLO, предлагающими уникальные архитектурные подходы, в документации Ultralytics.