Начать

YOLOv7 и PP-YOLOE+

При оценке моделей компьютерного зрения для производственных конвейеров разработчики часто сопоставляют преимущества разных архитектур. Среди заметных моделей для обнаружения объектов — YOLOv7 и PP-YOLOE+. В этом руководстве подробно сравниваются их архитектуры, метрики производительности и оптимальные сценарии развертывания, чтобы помочь тебе принять обоснованное решение для следующего проекта компьютерного зрения.

Архитектурные инновации#

Чтобы понять, как эти модели будут вести себя при обучении и инференсе, важно разобраться в их ключевых структурных различиях.

Основные особенности архитектуры YOLOv7#

YOLOv7 представила несколько важных улучшений, призванных повысить точность без значительного увеличения затрат на инференс.

  • Расширенные сети эффективной агрегации слоев (E-ELAN): Эта архитектура контролирует кратчайшие и длиннейшие пути градиента. Благодаря этому сеть учится распознавать более разнообразные признаки, а ее общая способность к обучению повышается без нарушения исходного пути градиента.
  • Стратегии масштабирования моделей: YOLOv7 использует комплексное масштабирование моделей, одновременно корректируя глубину и ширину и объединяя слои конкатенацией, чтобы сохранять оптимальную структуру архитектуры при разных размерах модели.
  • Обучаемый «набор бесплатных приемов»: Авторы встроили метод перепараметризованной свертки (RepConv) без тождественных связей, что значительно повышает скорость инференса, не снижая предсказательную способность модели.

Подробности о YOLOv7:

  • Авторы: Chien-Yao Wang, Alexey Bochkovskiy и Hong-Yuan Mark Liao
  • Организация: Институт информатики, Academia Sinica, Тайвань
  • Дата: 2022-07-06
  • arXiv: https://arxiv.org/abs/2207.02696

Узнай больше о YOLOv7

Основные особенности архитектуры PP-YOLOE+#

Разработанная Baidu в экосистеме PaddlePaddle, PP-YOLOE+ основана на предшественнице PP-YOLOv2 и уделяет особое внимание методам без якорей и улучшенным представлениям признаков.

  • Архитектура без якорей: В отличие от подходов с якорями, такая архитектура упрощает голову предсказаний и сокращает число гиперпараметров, облегчая настройку модели для пользовательских наборов данных.
  • Бэкбон CSPRepResNet: этот бэкбон использует остаточные связи и сети Cross Stage Partial, чтобы улучшить извлечение признаков и сохранить вычислительную эффективность.
  • Обучение выравниванию задач (TAL): PP-YOLOE+ использует ET-head (эффективную голову, согласованную с задачами), чтобы лучше согласовать задачи классификации и локализации, устраняя распространённое узкое место одностадийных детекторов.

Подробности о PP-YOLOE+:

Узнай больше о PP-YOLOE+

Показатели производительности и результаты тестирования#

Выбор подходящей модели часто зависит от конкретных ограничений оборудования и требований к задержке. В таблице ниже показан компромисс между точностью (mAP), скоростью и сложностью модели.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Анализ результатов#

  • Сценарии, требующие высокой точности: YOLOv7x показывает высокую производительность и достигает высокого mAP, что делает эту модель конкурентоспособной при решении сложных задач обнаружения. Хотя PP-YOLOE+x обеспечивает немного более высокий mAP, для этого требуется значительно больше параметров и FLOPs.
  • Эффективность и скорость: Уменьшенные варианты PP-YOLOE+ (t и s) обеспечивают очень низкую задержку TensorRT, поэтому хорошо подходят для развертывания на периферийных устройствах со строгими аппаратными ограничениями.
  • Оптимальный баланс: YOLOv7l обеспечивает убедительный баланс: более 51% mAP при времени инференса менее 7 мс на GPU T4. Это надёжный вариант для стандартных серверных приложений реального времени.
Оптимизация для промышленной эксплуатации

При развёртывании этих моделей использование форматов экспорта, таких как TensorRT или ONNX, может значительно снизить задержку по сравнению с инференсом в нативном PyTorch.

Преимущества Ultralytics#

И YOLOv7, и PP-YOLOE+ показывают высокие результаты в бенчмарках, но для успеха проекта не менее важны удобство разработки и поддержка экосистемы.

Удобство работы#

Модели Ultralytics уделяют особое внимание простоте использования благодаря унифицированному Python API. В отличие от PP-YOLOE+, для работы с которой нужно разбираться в экосистеме PaddlePaddle и ее специфичных конфигурационных файлах, Ultralytics позволяет перейти от обучения к развертыванию всего за несколько строк кода.

from ultralytics import YOLO

# Загрузи предварительно обученную модель YOLO26 (пакет Ultralytics не поддерживает обучение YOLOv7)
model = YOLO("yolo26n.pt")

# Обучи модель на примере набора данных COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй модель для оптимизированного развёртывания
model.export(format="engine")  # Экспорт в TensorRT

Эффективное использование ресурсов#

Одно из главных преимуществ моделей Ultralytics YOLO — низкие требования к памяти как при обучении, так и при инференсе. Благодаря этой эффективности исследователи и разработчики могут использовать большие размеры пакетов на обычном оборудовании и обучать модели быстрее, чем более тяжелые модели или архитектуры на основе трансформеров, такие как RT-DETR.

Экосистема и универсальность#

Экосистема Ultralytics активно поддерживается: она регулярно обновляется, располагает обширной документацией и изначально поддерживает разнообразные задачи помимо стандартного обнаружения. В Ultralytics единый фреймворк поддерживает сегментацию экземпляров, классификацию, оценку позы и ориентированные ограничивающие рамки (OBB), а YOLO26 добавляет семантическую сегментацию и оценку глубины. Это обеспечивает универсальность, которой нет у моделей, способных только обнаруживать объекты.

Будущее компьютерного зрения: YOLO26#

По мере развития компьютерного зрения новые архитектуры продолжают повышать планку скорости и эффективности. Выпущенная в январе 2026 года Ultralytics YOLO26 — рекомендуемый выбор для новых проектов.

Ключевые новшества YOLO26:

  • Сквозная архитектура без NMS: Опциональная голова YOLO26 с сопоставлением один к одному (nms=False) пропускает постобработку с подавлением немаксимумов (NMS). Этот сквозной вариант упрощает логику развертывания и снижает переменную задержку, развивая подход, впервые представленный в YOLOv10.
  • Более высокая производительность на периферийных устройствах: Удалив Distribution Focal Loss (DFL), YOLO26n обеспечивает инференс на CPU до 43% быстрее, чем YOLO11n, поэтому YOLO26 отлично подходит для IoT- и периферийных устройств.
  • Продвинутая динамика обучения: интеграция оптимизатора MuSGD, вдохновлённого инновациями в области LLM, такими как Kimi K2 от Moonshot AI, обеспечивает более стабильное обучение и быструю сходимость.
  • Улучшенное обнаружение малых объектов: Усовершенствованные методы обучения, в частности ProgLoss + STAL, устраняют прежние недостатки распознавания небольших объектов, что важно для таких задач, как работа с аэрофотоснимками.

Применение в реальных условиях#

Выбор между этими архитектурами часто зависит от конкретной среды развёртывания.

Когда выбирать PP-YOLOE+#

  • Интеграция с PaddlePaddle: если твоя инфраструктура уже тесно интегрирована с экосистемой PaddlePaddle от Baidu, PP-YOLOE+ станет естественным выбором.
  • Промышленный контроль на стеках Baidu: Производственные системы, в которых оборудование и программные стеки уже настроены для инструментов Baidu.

Когда выбирать YOLOv7#

  • Системы с ускорением на GPU: Модель хорошо работает на серверных GPU в задачах с высокой пропускной способностью, например при видеоаналитике.
  • Интеграция с робототехникой: Подходит для интеграции компьютерного зрения в робототехнику и помогает быстро принимать решения в динамичной среде.
  • Академические исследования: модель широко поддерживается и часто используется в исследованиях на PyTorch в качестве надёжной базовой модели.

Хотя старые модели важны с исторической точки зрения, переход на современные архитектуры, такие как YOLO26 или YOLO11, через Ultralytics Platform дает доступ к новейшим оптимизациям, более простым рабочим процессам обучения и расширенной поддержке множества задач.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.