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 моделей; также представлены современные альтернативы, например Ultralytics YOLO26, которая предлагает большую универсальность и простоту использования.

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 базовая сеть EfficientRep, специально разработанная для максимальной загрузки аппаратных ускорителей, например GPU NVIDIA. Архитектура включает модуль двунаправленной конкатенации (BiC) в шейке, значительно улучшающий слияние признаков разных масштабов. Кроме того, в ней применяется стратегия обучения с поддержкой якорей (AAT). Этот гибридный подход использует преимущества устойчивого схождения сетей на основе якорей во время обучения, а затем отбрасывает якоря на этапе инференса, сохраняя высокую скорость, характерную для безъякорных архитектур.

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+ — безъякорная модель детекции, использующая стратегию динамического назначения меток TAL (Task Alignment Learning). В ней применяется базовая сеть CSPRepResNet, которая эффективно извлекает семантические признаки, не снижая вычислительную эффективность. Модель глубоко оптимизирована для развёртывания с помощью TensorRT и OpenVINO и хорошо подходит для периферийных устройств и серверов, если тебе удобно работать с PaddlePaddle API.

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 демонстрируют высокую производительность, однако YOLOv6-3.0 обычно немного опережает по скорости работы с TensorRT при небольшом размере модели, что делает её эффективной для высокоскоростных систем автоматизированной оплаты или обнаружения производственных дефектов. PP-YOLOE+, напротив, хорошо масштабируется при увеличении числа параметров для достижения максимальной точности.

Преимущества Ultralytics: знакомство с YOLO26#

Хотя YOLOv6-3.0 и PP-YOLOE+ весьма эффективны, стремительное развитие компьютерного зрения требует архитектур, которые обеспечивают не только высокую скорость, но и исключительную простоту использования, меньшие требования к памяти и единую экосистему. Именно здесь модели Ultralytics YOLO, особенно YOLO11 и передовая YOLO26, задают новый уровень качества.

Выпущенная в январе 2026 года, YOLO26 устанавливает новый ориентир для ИИ в области компьютерного зрения, рассчитанного прежде всего на периферийные устройства и готового к работе в облаке, предлагая существенные преимущества перед устаревшими моделями:

• Сквозная архитектура без NMS: опираясь на основу, заложенную в YOLOv10, необязательная голова YOLO26 с архитектурой «один к одному» (nms=False) пропускает этап подавления немаксимумов (NMS) при постобработке. Это значительно упрощает логику развёртывания и снижает разброс задержки в насыщенных сценах.
• Инференс на CPU до 43% быстрее: благодаря целенаправленному удалению Distribution Focal Loss (DFL) YOLO26 значительно ускоряет работу на CPU, существенно превосходя YOLOv6 и PP-YOLOE+ на IoT-устройствах и в мобильных приложениях.
• Оптимизатор MuSGD: гибридный оптимизатор MuSGD, вдохновлённый передовыми методами обучения больших языковых моделей (LLM), например Kimi K2 от Moonshot AI, обеспечивает исключительно стабильное и эффективное обучение и сходится быстрее, чем традиционные SGD или AdamW.
• ProgLoss + STAL: эти продвинутые функции потерь заметно повышают точность распознавания мелких объектов — это критически важно для съёмки с дронов и аэрофотонаблюдения.
• Универсальность в разных задачах: в отличие от YOLOv6-3.0, ориентированной преимущественно на детекцию, YOLO26 сразу поддерживает сегментацию экземпляров, оценку позы, классификацию и детекцию ориентированных ограничивающих рамок (OBB).

Упрощённая экосистема обучения#

Для развёртывания PP-YOLOE+ нужно настроить среду PaddlePaddle, а для работы с YOLOv6-3.0 — разбираться в скриптах, ориентированных на исследования. В отличие от них, платформа Ultralytics обеспечивает бесшовный путь от нуля до результата.

Для обучения современной модели YOLO26 достаточно нескольких строк Python:

from ultralytics import YOLO

# Инициализировать передовую модель YOLO26 nano
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()

# Легко экспортируй модель в OpenVINO или TensorRT
path = model.export(format="engine")

Этот простой API в сочетании с меньшим потреблением памяти при обучении по сравнению с моделями, активно использующими Transformer, например RT-DETR, делает высокопроизводительный ИИ доступнее.

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.
• Серверная видеоаналитика: обработка нескольких насыщенных видеопотоков, где главным ограничением становится 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 и IoT-устройства: благодаря необязательному инференсу без NMS и удалению DFL YOLO26 — безусловный выбор для развёртывания на Raspberry Pi, NXP или мобильных CPU.
• Многозадачные приложения: проекты, требующие одновременного отслеживания объектов, оценки позы или сегментации через единый API.
• Быстрый переход от прототипа к эксплуатации: команды используют платформу Ultralytics для упрощения аннотирования наборов данных, настройки гиперпараметров и развёртывания моделей одним нажатием.

Разработчикам, которые хотят изучить более широкий спектр моделей детекции, стоит также рассмотреть уникальные архитектурные подходы таких фреймворков, как YOLOX и DAMO-YOLO, о которых можно прочитать в документации Ultralytics.