YOLOv8 и PP-YOLOE+#

В стремительно развивающейся области компьютерного зрения выбор подходящей модели для обнаружения объектов крайне важен для баланса между скоростью инференса и точностью. Заметный вклад в развитие отрасли внесли две модели: Ultralytics YOLOv8 и PP-YOLOE+. В этом руководстве приводится подробное техническое сравнение, которое поможет разработчикам и инженерам по машинному обучению разобраться в особенностях архитектур, метриках производительности и оптимальных сценариях развертывания этих моделей.

Ultralytics YOLOv8: универсальный стандарт экосистемы#

Представленная Ultralytics модель YOLOv8 быстро стала основой для высокопроизводительных приложений компьютерного зрения. Она опирается на многолетние фундаментальные исследования и обеспечивает выдающуюся производительность в самых разных задачах.

• Авторы: Glenn Jocher, Ayush Chaurasia и Jing Qiu
• Организация: Ultralytics
• Дата: 2023-01-10
• GitHub: Репозиторий Ultralytics
• Документация: Документация YOLOv8

Архитектурные инновации и универсальность#

YOLOv8 отличается высокооптимизированной безанкорной архитектурой и раздельной головой, которая независимо обрабатывает задачи классификации и регрессии. Это архитектурное усовершенствование улучшает представление признаков и ускоряет сходимость при обучении.

В отличие от многих специализированных моделей, YOLOv8 отличается непревзойдённой универсальностью. Помимо обнаружения ограничивающих рамок, единая архитектура и API изначально поддерживают сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

PP-YOLOE+: мощное решение на базе PaddlePaddle#

PP-YOLOE+ — следующий этап развития предыдущих версий PP-YOLO, специально разработанный для эффективной работы с внутренними фреймворками Baidu.

• Авторы: авторы PaddlePaddle
• Организация: Baidu
• Дата: 2022-04-02
• Arxiv: Статья о PP-YOLOE
• GitHub: Репозиторий PaddleDetection
• Документация: конфигурация PP-YOLOE+

Узнай больше о PP-YOLOE+

Особенности архитектуры#

В PP-YOLOE+ появилась базовая сеть CSPRepResNet и была реализована голова Efficient Task-aligned Head (ET-head) для повышения точности обнаружения. Модель во многом зависит от фреймворка глубокого обучения PaddlePaddle. Несмотря на высокую точность на стандартных тестовых наборах данных, таких как набор данных COCO, архитектура тесно связана с определёнными экосистемами, что затрудняет её интеграцию в стандартные конвейеры PyTorch или TensorFlow, популярные в широком сообществе ИИ.

Сравнение производительности и метрик#

При развертывании моделей на периферийных устройствах или облачных серверах критически важно соблюдать баланс между точностью (mAP), скоростью и количеством параметров. Модели Ultralytics известны низкими требованиями к памяти при обучении и очень высокой скоростью инференса.

Ниже приведена подробная таблица сравнения моделей, протестированных на COCO val2017.

Анализ компромиссов#

Модель PP-YOLOE+x немного превосходит YOLOv8x по mAP (54,7 против 53,9), но за это приходится платить более чем 30 миллионами дополнительных параметров. У Ultralytics YOLOv8 значительно лучше соотношение количества параметров и точности. Для лёгкой YOLOv8n требуется всего 3,2 млн параметров и 8,7 млрд FLOPs, поэтому она намного эффективнее самой компактной версии PP-YOLOE+ в средах с ограниченными ресурсами.

Кроме того, модели YOLO значительно превосходят крупные архитектуры на базе Transformer по объёму памяти, необходимому для обучения. Для моделей с высоким потреблением памяти CUDA часто требуется дорогое оборудование, тогда как YOLOv8 позволяет эффективно обучать модели на потребительских GPU.

Экосистема, простота использования и развертывание#

Главное различие между этими архитектурами — пользовательский опыт.

Платформа Ultralytics предлагает хорошо поддерживаемую экосистему, которая устраняет сложности эксплуатации систем машинного обучения. Она включает очень простой API, подробную документацию и встроенные инструменты для регистрации данных, настройки гиперпараметров и экспорта на разные платформы. Ultralytics без проблем справляется с развертыванием через ONNX, TensorRT или CoreML.

В свою очередь, для работы с PP-YOLOE+ часто требуются глубокие знания фреймворка PaddlePaddle. Преобразование этих моделей для эффективной работы на стандартных GPU NVIDIA или периферийных устройствах за пределами аппаратной экосистемы Baidu может оказаться сложным многоэтапным процессом, в котором нет такой удобной автоматизации, как в инструментах Ultralytics.

Эффективное обучение с Ultralytics#

Для обучения модели Ultralytics практически не нужен шаблонный код. Ниже приведён полностью рабочий пример того, как легко обучить модель YOLOv8 на Python:

from ultralytics import YOLO

# Загрузи предварительно обученную малую модель YOLOv8
model = YOLO("yolov8s.pt")

# Обучи модель на примере набора данных COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Быстро экспортируй обученную модель для развертывания с TensorRT
model.export(format="engine", device=0)

Сценарии использования и рекомендации#

Выбор между YOLOv8 и PP-YOLOE+ зависит от конкретных требований проекта, ограничений на развертывание и предпочтений в отношении экосистемы.

Когда выбрать YOLOv8#

YOLOv8 — хороший выбор для:

• Универсальное решение для нескольких задач: проекты, которым нужна проверенная модель для обнаружения объектов, сегментации, классификации и оценки позы в экосистеме Ultralytics.
• Уже работающие системы: существующие промышленные среды, построенные на архитектуре YOLOv8 и использующие стабильные, тщательно проверенные конвейеры развертывания.
• Широкая поддержка сообщества и экосистемы: приложения, которым помогают многочисленные руководства по YOLOv8, сторонние интеграции и активное сообщество.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется в следующих случаях:

• Интеграция с экосистемой PaddlePaddle: Организации с готовой инфраструктурой на базе фреймворка и инструментов PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании со специально оптимизированными ядрами инференса для Paddle Lite или движка инференса Paddle.
• Обнаружение объектов на сервере с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных серверах с GPU, а зависимость от конкретного фреймворка не имеет значения.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

• Развертывание на периферийных устройствах без NMS: Приложения, которым необходим стабильный инференс с низкой задержкой без усложнения постобработки подавлением немаксимумов.
• Среды только с CPU: Устройства без выделенного ускорителя GPU, где до 43% более быстрый инференс YOLO26 на CPU даёт решающее преимущество.
• Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Что дальше: преимущества YOLO26#

Если ты разрабатываешь приложения с расчётом на будущее, недавно выпущенная Ultralytics YOLO26 — вершина современных технологий компьютерного зрения. Выпущенная в январе 2026 года, она превосходит и YOLOv8, и промежуточную модель YOLO11, предлагая революционные возможности:

• Сквозная архитектура без NMS: опциональная голова one-to-one YOLO26 (nms=False) устраняет необходимость в постобработке с подавлением немаксимумов, значительно снижая вариативность задержки и упрощая логику развертывания.
• Оптимизатор MuSGD: этот гибрид SGD и Muon переносит инновации из обучения LLM в компьютерное зрение, обеспечивая исключительно стабильное обучение и быструю сходимость.
• Инференс на CPU до 43% быстрее: благодаря удалению Distribution Focal Loss (DFL) YOLO26 обеспечивает непревзойдённую скорость на периферийных устройствах и стандартных CPU, что делает модель идеальной для IoT и мобильных приложений.
• ProgLoss + STAL: эти усовершенствованные функции потерь заметно улучшают распознавание мелких объектов, что особенно важно для аналитики с дронов и аэрофотосъёмки.

Заключение#

YOLOv8 и PP-YOLOE+ расширили возможности обнаружения объектов в реальном времени. Однако для подавляющего большинства разработчиков и исследователей Ultralytics YOLOv8 и её преемница YOLO26 остаются лучшим выбором. Интуитивно понятный API, активное сообщество с открытым исходным кодом, меньшие требования к памяти при обучении и универсальный единый фреймворк обеспечивают максимально простой и эффективный путь от создания набора данных до развертывания в production.