YOLOX и PP-YOLOE+#

При разработке надёжного конвейера компьютерного зрения выбор подходящей модели обнаружения объектов имеет решающее значение. На рынке детекторов реального времени идёт острая конкуренция: многочисленные архитектуры стремятся обеспечить оптимальный баланс скорости инференса и точности обнаружения. В этом техническом сравнении мы рассмотрим две известные модели: YOLOX и PP-YOLOE+. Изучив их архитектуру, методы обучения и показатели производительности, мы поможем разработчикам и исследователям выбрать подходящий инструмент для своей среды развертывания.

Архитектурные инновации и проектирование#

Обе модели созданы для решения конкретных проблем ранних версий YOLO, но используют принципиально разные подходы к компромиссу между скоростью и точностью.

YOLOX: от исследований к промышленности#

YOLOX разработали Чжэн Гэ, Сунтао Лю, Фэн Ван, Цзэмин Ли и Цзянь Сун из Megvii; модель выпустили 18 июля 2021 года. Она ознаменовала значительный поворот в семействе YOLO, полностью перейдя на архитектуру без якорных рамок. Основополагающее исследование можно изучить в официальной статье на Arxiv, а исходный код — в репозитории YOLOX на GitHub.

В YOLOX используется раздельная голова, разделяющая задачи классификации и регрессии, что значительно ускоряет сходимость при обучении. Кроме того, в YOLOX появились передовые стратегии назначения меток, такие как SimOTA, для динамического выбора положительных примеров. Благодаря этому модель очень эффективна, особенно в средах, использующих периферийный ИИ, где вычислительные ресурсы строго ограничены.

Узнай больше о YOLOX

PP-YOLOE+: высокопроизводительное обнаружение объектов для промышленности#

PP-YOLOE+ представили разработчики PaddlePaddle из Baidu 2 апреля 2022 года. Эта модель представляет собой глубоко оптимизированное развитие серии PP-YOLO. В публикации на Arxiv подробно описана модель, тесно интегрированная в экосистему Baidu и требующая фреймворка PaddlePaddle. Конфигурации модели доступны в репозитории PaddleDetection на GitHub.

В основе PP-YOLOE+ лежит мощный backbone CSPRepResNet, а также голова Efficient Task-aligned (ET-head) и обучение с выравниванием задач (TAL). Эта архитектура обеспечивает высокую среднюю точность (mAP) на наборе данных COCO, что делает её сильным кандидатом для обнаружения промышленных дефектов и ресурсоёмкой обработки на сервере, где точность важнее минимального количества зависимостей.

Узнай больше о PP-YOLOE+

Тесты производительности#

Для развертывания важно понимать, как эти модели работают при разных размерах. В таблице ниже приведены ключевые показатели, включая mAP и скорость инференса после экспорта в TensorRT.

Сценарии использования и рекомендации#

Выбор между YOLOX и PP-YOLOE+ зависит от конкретных требований проекта, ограничений развертывания и предпочтений в отношении экосистемы.

Когда стоит выбрать YOLOX#

YOLOX подойдёт для:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая архитектура YOLOX без якорей используется как базовая модель для экспериментов с новыми головами обнаружения или функциями потерь.
• Сверхкомпактные периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен крайне малый размер варианта YOLOX-Nano (0,91 млн параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты по изучению стратегий назначения меток на основе оптимального транспорта и их влияния на сходимость обучения.

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.

Преимущества Ultralytics: знакомство с YOLO26#

YOLOX и PP-YOLOE+ обладают разными преимуществами, однако стремительное развитие ИИ требует инструментов, которые сочетают передовую точность с непревзойдённым удобством использования. Именно здесь модели Ultralytics, в частности недавно выпущенная Ultralytics YOLO26, превосходят устаревшие исследовательские репозитории.

Выпущенная в январе 2026 года YOLO26 задаёт новый стандарт современной системы обнаружения объектов и других задач, предлагая разработчикам беспрецедентное удобство работы по сравнению с конкурирующими фреймворками.

Почему разработчики выбирают YOLO26#

1. Сквозная архитектура без NMS: развивая идеи, впервые применённые в YOLOv10, YOLO26 поддерживает сквозной инференс. Благодаря опциональной голове один-к-одному (nms=False) модель пропускает постобработку с подавлением немаксимумов (NMS), обеспечивая стабильную задержку и значительно упрощая конвейеры экспорта для периферийных устройств.
2. Оптимизация нового поколения: оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый методами обучения больших языковых моделей, например Kimi K2 от Moonshot AI, — кардинально повышает стабильность обучения и обеспечивает более быстрое схождение. Кроме того, YOLO26 использует ProgLoss + STAL, чтобы значительно улучшить распознавание небольших объектов. Это важное преимущество для задач, связанных с аэрофотосъёмкой и робототехникой.
3. Непревзойдённая эффективность оборудования: отказ от Distribution Focal Loss (DFL) упрощает голову обнаружения и граф экспорта YOLO26. Модель обеспечивает до 43% более быстрый инференс на CPU, что делает её оптимальным выбором для устройств без выделенного ускорения GPU.
4. Исключительная универсальность: в отличие от PP-YOLOE+, предназначенной только для обнаружения объектов, YOLO26 объединяет поддержку множества задач. В модели предусмотрена специализированная функция семантических потерь для сегментации экземпляров, метод оценки логарифма правдоподобия с учётом остатков (RLE) для точной оценки позы и передовые механизмы угловых потерь для ориентированных ограничивающих рамок (OBB).

Простая интеграция с экосистемой#

Ultralytics избавляет от сложной установки фреймворков. С помощью унифицированного Python API или интуитивно понятной платформы Ultralytics можно обучать, проверять и экспортировать модели всего несколькими строками кода.

from ultralytics import YOLO

# Загрузи передовую small-модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель на собственном наборе данных с минимальным расходом памяти CUDA
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Легко запускай инференс
predictions = model("https://ultralytics.com/images/bus.jpg")

# Экспортируй в ONNX напрямую, полностью используя преимущества архитектуры без NMS
model.export(format="onnx", nms=False)

Для пользователей, которые рассматривают другие надежные архитектуры в экосистеме Ultralytics, YOLO11 остается проверенным выбором для развертывания устаревших систем, а RT-DETR на базе Transformer предлагает отличные возможности тем, кто ищет решения с механизмом внимания.

Итоги#

Выбор между YOLOX и PP-YOLOE+ часто определяется ограничениями основной платформы: например, предпочтением гибкости PyTorch или глубокой интеграции с PaddlePaddle от Baidu. Однако организациям, стремящимся создать ИИ-инфраструктуру с заделом на будущее, Ultralytics YOLO26 предлагает значительно более эффективную альтернативу. Благодаря опциональному инференсу без NMS, небольшому объему памяти и поддержке широкого спектра задач YOLO26 позволяет командам с беспрецедентной легкостью создавать более быстрые, интеллектуальные и эффективные приложения компьютерного зрения.