YOLOX против PP-YOLOE+#

При проектировании надежного пайплайна computer vision выбор подходящей модели для детекции объектов является критически важным решением. Ландшафт детекторов объектов реального времени высококонкурентен, и множество архитектур стремятся обеспечить идеальный баланс между скоростью инференса и точностью детекции. В этом техническом сравнении мы оценим две выдающиеся модели: YOLOX и PP-YOLOE+. Изучая их архитектурный дизайн, методологии обучения и метрики производительности, мы стремимся дать разработчикам и исследователям понимание, необходимое для выбора правильного инструмента под конкретную среду развертывания.

Архитектурные 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.

YOLOX: объединяя научные исследования и индустрию#

Разработанный Чжэном Ге, Сунтоо Лиу, Фэном Вангом, Цземином Ли и Цзянь Сунем в компании Megvii, YOLOX был выпущен 18 июля 2021 года. Он ознаменовал значительный сдвиг в семействе YOLO, полностью перейдя на архитектуру без якорей (anchor-free). Ты можешь ознакомиться с базовым исследованием в их официальной Arxiv paper и оригинальным исходным кодом в YOLOX GitHub repository.

YOLOX объединяет разделенную голову (decoupled head), которая разделяет задачи классификации и регрессии, что значительно повышает скорость сходимости во время обучения. Кроме того, в нем появились продвинутые стратегии назначения меток, такие как SimOTA, для динамического распределения положительных примеров. Это делает модель исключительно эффективной, особенно в средах edge AI, где вычислительные ресурсы строго ограничены.

Узнать больше о YOLOX

PP-YOLOE+: высокопроизводительное промышленное обнаружение#

Представленный авторами PaddlePaddle в компании Baidu 2 апреля 2022 года, PP-YOLOE+ представляет собой сильно оптимизированную эволюцию серии PP-YOLO. Подробно описанный в их Arxiv publication, PP-YOLOE+ глубоко интегрирован в экосистему Baidu и требует фреймворк PaddlePaddle. Конфигурации модели можно найти в PaddleDetection GitHub repository.

PP-YOLOE+ опирается на мощный бэкбон CSPRepResNet и использует эффективную голову, ориентированную на задачи (ET-head), наряду с Task Alignment Learning (TAL). Эта архитектура обеспечивает выдающуюся точность mean Average Precision (mAP) на COCO dataset, что делает ее отличным выбором для поиска дефектов в промышленности и тяжелой серверной обработки, где точность ставится выше минимальных зависимостей.

Узнай больше о PP-YOLOE+

Тесты производительности#

Понимание того, как эти модели работают в различных масштабах, имеет решающее значение для развертывания. В таблице ниже приведены ключевые метрики, включая mAP и скорость инференса при экспорте в TensorRT.

Сценарии использования и рекомендации#

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

Когда 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.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется для:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, созданной на базе фреймворка и инструментов Baidu's 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.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для 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.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Преимущество Ultralytics: представляем YOLO26#

Хотя и YOLOX, и PP-YOLOE+ обладают своими преимуществами, стремительная эволюция ИИ требует инструментов, которые сочетают в себе передовую точность и непревзойденную простоту использования. Именно здесь модели Ultralytics, в частности недавно выпущенный Ultralytics YOLO26, превосходят устаревшие исследовательские репозитории.

Выпущенный в январе 2026 года, YOLO26 задает новый стандарт для современного object detection и смежных задач, предлагая опыт разработчика, с которым просто не могут сравниться конкурирующие фреймворки.

Почему разработчики выбирают YOLO26#

1. Сквозной дизайн без NMS: Основываясь на концепциях, заложенных в YOLOv10, YOLO26 является изначально сквозным. Полностью убирая постобработку Non-Maximum Suppression (NMS), он гарантирует высокую стабильность задержки и значительно упрощает экспортные пайплайны для периферийных сред.
2. Оптимизация нового поколения: Стабильность обучения кардинально улучшена благодаря MuSGD Optimizer, гибриду SGD и Muon (вдохновлен методологиями LLM, такими как Kimi K2 от Moonshot AI). Это гарантирует более быструю сходимость. Более того, YOLO26 использует ProgLoss + STAL для радикального улучшения распознавания мелких объектов, что является ключевой функцией для приложений с использованием aerial imagery и робототехники.
3. Непревзойденная эффективность железа: Удалив Distribution Focal Loss (DFL), YOLO26 значительно снижает требования к памяти. Он демонстрирует до 43% более быстрый CPU инференс, что делает его безальтернативным выбором для устройств, не имеющих выделенного ускорения GPU.
4. Экстремальная универсальность: В отличие от PP-YOLOE+, который фокусируется исключительно на детекции, YOLO26 предлагает единую поддержку для самых разных задач. Он включает в себя специализированную функцию потерь семантической сегментации для instance segmentation, Residual Log-Likelihood Estimation (RLE) для точного pose estimation и продвинутые механизмы расчета потерь по углам для Oriented Bounding Boxes (OBB).

Узнай больше о YOLO26

Бесшовная интеграция с экосистемой#

Ultralytics избавляет от разочарования при сложной установке фреймворков. Используя унифицированный Python API или интуитивно понятную платформу Ultralytics Platform, ты можешь обучать, валидировать и экспортировать модели всего в несколько строк 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 очень надежным выбором для старых развертываний, в то время как созданный на базе трансформеров RT-DETR предлагает отличные возможности для тех, кто ищет решения на основе механизма внимания.

Резюме#

Выбор между YOLOX и PP-YOLOE+ часто сводится к ограничениям твоего основного фреймворка — предпочитаешь ли ты гибкость на базе PyTorch или глубокую интеграцию с PaddlePaddle от Baidu. Тем не менее, для организаций, стремящихся защитить свою ИИ-инфраструктуру от устаревания, Ultralytics YOLO26 предлагает гораздо более совершенную альтернативу. Благодаря революционному дизайну без NMS, легковесному потреблению памяти и широкой универсальности задач, YOLO26 позволяет командам создавать более быстрые, умные и эффективные приложения компьютерного зрения с беспрецедентной легкостью.