Link to this sectionYOLOX против PP-YOLOE+#

При проектировании надежного конвейера компьютерного зрения выбор подходящей модели обнаружения объектов — критически важное решение. Рынок детекторов объектов реального времени крайне конкурентен, и множество архитектур стремятся обеспечить идеальный баланс между скоростью инференса и точностью обнаружения. В этом техническом сравнении мы оценим две заметные модели: YOLOX и PP-YOLOE+. Анализируя их архитектурные решения, методики обучения и показатели производительности, мы стремимся предоставить разработчикам и исследователям знания, необходимые для выбора правильного инструмента для их среды развертывания.

Link to this sectionАрхитектурные инновации и дизайн#

Обе модели были разработаны для решения специфических проблем предыдущих итераций YOLO, однако они используют фундаментально разные подходы к устранению компромисса между скоростью и точностью.

Link to this sectionYOLOX: объединяя научные исследования и индустрию#

Разработанная Чжэн Гэ, Сунтао Лю, Фэн Ваном, Земин Ли и Цзянь Сунем в Megvii, модель YOLOX была выпущена 18 июля 2021 года. Она ознаменовала значительный сдвиг в семействе YOLO, полностью перейдя на дизайн без использования анкоров (anchor-free). Ты можешь ознакомиться с фундаментальным исследованием в их официальной статье на Arxiv и исходным кодом в репозитории YOLOX на GitHub.

YOLOX включает в себя развязанную «голову» (decoupled head), разделяющую задачи классификации и регрессии, что значительно повышает скорость сходимости во время обучения. Кроме того, в ней представлены передовые стратегии назначения меток, такие как SimOTA, для динамического назначения положительных образцов. Это делает модель высокоэффективной, особенно в средах edge AI, где вычислительные ресурсы строго ограничены.

Узнать больше о YOLOX

Link to this sectionPP-YOLOE+: высокопроизводительное промышленное обнаружение#

Представленная авторами PaddlePaddle из Baidu 2 апреля 2022 года, PP-YOLOE+ представляет собой высокооптимизированную эволюцию серии PP-YOLO. Подробно описанная в их публикации на Arxiv, PP-YOLOE+ глубоко интегрирована в экосистему Baidu и требует использования фреймворка PaddlePaddle. Конфигурации модели можно найти в репозитории PaddleDetection на GitHub.

PP-YOLOE+ опирается на мощный бэкбон CSPRepResNet и использует эффективную «голову», ориентированную на задачи (ET-head), наряду с обучением с выравниванием задач (TAL). Эта архитектура достигает выдающейся средней точности (mAP) на датасете COCO, что делает её грозным выбором для промышленного обнаружения дефектов и интенсивной серверной обработки, где точность важнее минимальных зависимостей.

Узнай больше о PP-YOLOE+

Link to this sectionТесты производительности#

Понимание того, как эти модели работают в разных масштабах, важно для развертывания. В таблице ниже приведены ключевые показатели, включая mAP и скорость инференса при экспорте в TensorRT.

Link to this sectionСценарии использования и рекомендации#

Выбор между YOLOX и PP-YOLOE+ зависит от твоих конкретных требований к проекту, ограничений развертывания и предпочтений в экосистеме.

Link to this sectionКогда выбирать YOLOX#

YOLOX — сильный выбор для:

• Исследований безъякорного обнаружения: академических исследований, использующих чистую безъякорную архитектуру YOLOX как базу для экспериментов с новыми головами детекции или функциями потерь.
• Сверхлегких Edge-устройств: развертывания на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый вес варианта YOLOX-Nano (0.91 млн параметров).
• Изучения назначения меток SimOTA: исследовательских проектов, анализирующих стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Link to this sectionКогда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется для:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах Baidu PaddlePaddle.
• Развертывание на периферии с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами вывода, специально предназначенными для движка Paddle Lite или Paddle.
• Серверное обнаружение с высокой точностью: Сценарии, где приоритетом является максимальная точность обнаружения на мощных GPU-серверах, где зависимость от фреймворка не является проблемой.

Link to this sectionКогда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и опыта разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Детектирования мелких объектов: сложных сценариев, таких как аэросъемка с дронов или анализ датчиков IoT, где ProgLoss и STAL значительно повышают точность на крошечных объектах.

Link to this sectionПреимущество Ultralytics: представляем YOLO26#

Хотя YOLOX и PP-YOLOE+ предлагают уникальные преимущества, стремительная эволюция ИИ требует инструментов, которые сочетают в себе современную точность с непревзойденной простотой использования. Именно здесь модели Ultralytics, особенно недавно выпущенная Ultralytics YOLO26, превосходят устаревшие исследовательские репозитории.

Выпущенная в январе 2026 года, YOLO26 устанавливает новый стандарт для современного обнаружения объектов и других задач, предлагая опыт разработчика, с которым просто не могут сравниться конкурирующие фреймворки.

Link to this sectionПочему разработчики выбирают YOLO26#

1. Сквозной дизайн без NMS: основываясь на концепциях, впервые представленных в YOLOv10, YOLO26 является нативно сквозной моделью. Полное удаление постобработки NMS (Non-Maximum Suppression) обеспечивает высокую стабильность задержки и значительно упрощает конвейеры экспорта для пограничных сред.
2. Оптимизация нового поколения: стабильность обучения революционизирована оптимизатором MuSGD, гибридом SGD и Muon (вдохновленным методологиями LLM, такими как Kimi K2 от Moonshot AI). Это гарантирует более быструю сходимость. Кроме того, YOLO26 использует ProgLoss + STAL для радикального улучшения распознавания мелких объектов, что является ключевой особенностью для приложений, связанных с аэрофотосъемкой и робототехникой.
3. Unmatched Hardware Efficiency: By removing Distribution Focal Loss (DFL), YOLO26 drastically lowers memory requirements. It boasts up to 43% faster CPU inference, making it the definitive choice for devices lacking dedicated GPU acceleration.
4. Экстремальная универсальность: в отличие от PP-YOLOE+, которая ориентирована исключительно на обнаружение, YOLO26 предлагает унифицированную поддержку множества задач. Она включает специализированную функцию потерь семантической сегментации для сегментации экземпляров, оценку остаточного логарифмического правдоподобия (RLE) для точной оценки позы и передовые механизмы угловых потерь для ориентированных ограничивающих рамок (OBB).

Узнай больше о YOLO26

Link to this sectionБесшовная интеграция с экосистемой#

Ultralytics устраняет разочарование от сложных установок фреймворков. Используя унифицированный API на Python или интуитивно понятную платформу Ultralytics, ты можешь обучать, проверять и экспортировать модели всего несколькими строками кода.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train on a custom dataset with minimal CUDA memory overhead
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Effortlessly run inference
predictions = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX natively, fully benefiting from the NMS-free architecture
model.export(format="onnx")

Для пользователей, оценивающих другие надежные архитектуры в экосистеме Ultralytics, YOLO11 остается весьма надежным выбором для устаревших развертываний, в то время как RT-DETR на базе трансформеров предоставляет отличные возможности для тех, кто ищет решения с механизмом внимания.

Link to this sectionРезюме#

Выбор между YOLOX и PP-YOLOE+ часто сводится к основным ограничениям твоего фреймворка — предпочитаешь ли ты гибкость на базе PyTorch или глубокую интеграцию с Baidu PaddlePaddle. Однако для организаций, стремящихся подготовить свою ИИ-инфраструктуру к будущему, Ultralytics YOLO26 предоставляет значительно превосходящую альтернативу. Благодаря своему революционному дизайну без NMS, легкому потреблению памяти и комплексной универсальности задач, YOLO26 дает командам возможность создавать более быстрые, умные и эффективные приложения компьютерного зрения с беспрецедентной легкостью.