YOLOv8 и PP-YOLOE+#

В быстро меняющейся области компьютерного зрения выбор подходящей модели для обнаружения объектов крайне важен для достижения баланса между скоростью инференса и точностью. Две заметные модели, существенно повлиявшие на отрасль, — это Ultralytics YOLOv8 и PP-YOLOE+. В этом руководстве приводится техническое сравнение, которое поможет разработчикам и инженерам по машинному обучению разобраться в особенностях архитектур, метрик производительности и оптимальных сценариев развертывания.

Ultralytics YOLOv8: универсальный стандарт экосистемы#

Представленная Ultralytics, YOLOv8 быстро стала широко используемой в производственных системах компьютерного зрения моделью. Она опирается на многолетние исследования YOLO и обеспечивает высокую производительность при решении множества задач.

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

Архитектурные инновации и универсальность#

В YOLOv8 используется безанкерная архитектура и разделенная голова, которая независимо обрабатывает задачи классификации и регрессии. Это структурное усовершенствование улучшает представление признаков и ускоряет сходимость во время обучения.

В отличие от многих специализированных моделей, YOLOv8 поддерживает несколько задач. Помимо обнаружения объектов с ограничивающими рамками, та же унифицированная архитектура и API изначально поддерживают сегментацию экземпляров, классификацию изображений, оценку позы и ориентированные ограничивающие рамки (OBB).

PP-YOLOE+: обнаружение без анкеров в PaddlePaddle#

PP-YOLOE+ — следующий этап развития предыдущих версий PP-YOLO, разработанный для эффективной работы на фреймворке PaddlePaddle от 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 основа CSPRepResNet и голова Efficient Task-aligned Head (ET-head), повышающая точность обнаружения. Модель в значительной степени опирается на фреймворк глубокого обучения PaddlePaddle. Хотя она демонстрирует высокую точность на стандартных эталонных наборах данных, таких как набор данных COCO, ее реализация привязана к экосистеме PaddlePaddle. Поэтому интеграция в стандартные конвейеры PyTorch или TensorFlow, популярные в более широком сообществе ИИ, может быть сложной.

Сравнение производительности и метрик#

При развертывании моделей на периферийных устройствах или облачных серверах важен баланс точности (mAP), скорости и количества параметров. Модели Ultralytics известны низкими требованиями к памяти при обучении и быстрым инференсом.

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

Анализ компромиссов#

PP-YOLOE+x немного превосходит YOLOv8x по mAP (54.7 против 53.9), но требует более чем на 30 миллионов параметров больше. В вариантах малого и среднего размера различия между семействами невелики: PP-YOLOE+ использует меньше FLOPs, а в этой таблице скорость CPU в ONNX указана только для YOLOv8. Для легкой YOLOv8n требуется всего 3.2M параметров и 8.7B FLOPs, что делает ее самой маленькой моделью в этом сравнении, хотя PP-YOLOE+t достигает более высокого mAP (39.9 против 37.3) при 4.85M параметров.

Модели YOLO также обычно используют меньше памяти при обучении, чем крупные архитектуры на основе Transformer. Модели с высоким потреблением памяти CUDA часто требуют дорогого оборудования, тогда как YOLOv8 эффективно обучается на потребительских GPU.

Экосистема, простота использования и развертывание#

Удобство использования — одно из основных различий между этими архитектурами.

Ultralytics Platform и пакет Python образуют хорошо поддерживаемую экосистему, упрощающую эксплуатацию машинного обучения. Они предоставляют простой API, подробную документацию и встроенные инструменты для регистрации данных, настройки гиперпараметров и кроссплатформенного экспорта. Ultralytics самостоятельно выполняет преобразование независимо от того, нужно ли тебе развернуть модель через ONNX, TensorRT или CoreML.

Напротив, 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 экосистемы Paddle может состоять из нескольких этапов, поскольку автоматизация экспорта, доступная в инструментах Ultralytics, отсутствует.

Эффективное обучение с Ultralytics#

Для обучения модели Ultralytics требуется совсем немного шаблонного кода. В следующем примере модель YOLOv8 обучается на Python и экспортируется для TensorRT:

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 развертывание для нескольких задач: проекты, которым нужна проверенная модель для обнаружения, 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, чья существующая инфраструктура построена на фреймворке и инструментах 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 нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
• Среды только с CPU: Устройства без выделенного ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
• Обнаружение мелких объектов: сложные сценарии, например съемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность распознавания крошечных объектов.

Что дальше: преимущества YOLO26#

Для новых приложений Ultralytics YOLO26, выпущенная в январе 2026 года, приходит на смену YOLOv8 и YOLO11 и предлагает следующие возможности:

• Сквозной дизайн без NMS: необязательная голова one-to-one в YOLO26 (nms=False) устраняет необходимость в постобработке NMS, сокращая изменчивость задержки и упрощая логику развертывания.
• Оптимизатор MuSGD: этот гибрид SGD и Muon переносит методы обучения LLM в ИИ для компьютерного зрения, обеспечивая более стабильное обучение и быструю сходимость.
• Инференс на CPU до 43% быстрее: после удаления Distribution Focal Loss (DFL) и облегчения головы обнаружения YOLO26n работает на CPU до 43% быстрее YOLO11n, поэтому хорошо подходит для приложений IoT и мобильных устройств.
• ProgLoss + STAL: Progressive Loss и назначение меток с учетом малых объектов (STAL) улучшают обнаружение небольших объектов, что особенно важно для аналитики с дронов и аэрофотосъемки.

Заключение#

И YOLOv8, и PP-YOLOE+ продвинули обнаружение объектов в реальном времени. Однако для большинства разработчиков и исследователей практичнее Ultralytics YOLOv8 и ее преемница YOLO26: интуитивно понятный API, активное сообщество открытого исходного кода, меньшие требования к памяти при обучении и унифицированный фреймворк для нескольких задач упрощают путь от создания набора данных до развертывания в производственной среде.