YOLOX и PP-YOLOE+#

При создании надежного конвейера компьютерного зрения выбор подходящей модели обнаружения объектов имеет критическое значение. Сфера детекторов объектов реального времени отличается высокой конкуренцией: многочисленные архитектуры стремятся обеспечить оптимальный баланс между скоростью инференса и точностью обнаружения. В этом техническом сравнении мы оценим две заметные модели: YOLOX и PP-YOLOE+. Изучив их архитектуры, методики обучения и показатели производительности, мы стремимся предоставить разработчикам и исследователям информацию, необходимую для выбора подходящего инструмента для их сред развертывания.

Архитектурные инновации и принципы проектирования#

Обе модели были разработаны для решения конкретных проблем более ранних итераций YOLO, однако они используют принципиально разные подходы к поиску компромисса между скоростью и точностью.

YOLOX: от исследований к промышленному применению#

YOLOX, разработанная Zheng Ge, Songtao Liu, Feng Wang, Zeming Li и Jian Sun из Megvii, была выпущена 18 июля 2021 года. Она ознаменовала значительный поворот в семействе YOLO, полностью перейдя на безъякорную архитектуру. С фундаментальными исследованиями можно ознакомиться в их официальной статье на Arxiv, а с исходным кодом — в репозитории YOLOX на GitHub.

YOLOX использует разделенную головку, отделяющую задачи классификации и регрессии, что значительно ускоряет сходимость во время обучения. Кроме того, в ней были представлены продвинутые стратегии назначения меток, такие как SimOTA, для динамического назначения положительных образцов. Это делает модель высокоэффективной, особенно в средах граничного ИИ, где вычислительные ресурсы строго ограничены.

Узнай больше о YOLOX

PP-YOLOE+: высокопроизводительное промышленное обнаружение объектов#

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

PP-YOLOE+ опирается на мощную магистральную сеть CSPRepResNet и использует головку Efficient Task-aligned (ET-head) вместе с обучением согласованию задач (TAL). Эта архитектура обеспечивает выдающуюся среднюю точность (mAP) на наборе данных COCO, что делает ее эффективным выбором для обнаружения промышленных дефектов и ресурсоемкой серверной обработки, где точность важнее минимального числа зависимостей.

Узнай больше о PP-YOLOE+

Сравнительные тесты производительности#

Для развертывания важно понимать, как эти модели работают при разных масштабах. В таблице ниже приведены ключевые метрики, включая mAP и скорости инференса при экспорте в TensorRT.

Варианты применения и рекомендации#

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

Когда стоит выбрать YOLOX#

YOLOX — хороший выбор для:

• Исследования обнаружения без якорей: Академические исследования, в которых чистая безъякорная архитектура YOLOX используется как базовая модель для экспериментов с новыми головками обнаружения или функциями потерь.
• Сверхлёгкие периферийные устройства: Развертывание на микроконтроллерах или устаревшем мобильном оборудовании, где критически важен чрезвычайно малый размер варианта YOLOX-Nano (0.91M параметров).
• Исследования назначения меток SimOTA: Исследовательские проекты, изучающие стратегии назначения меток на основе оптимального транспорта и их влияние на сходимость обучения.

Когда выбирать PP-YOLOE+#

PP-YOLOE+ рекомендуется для следующих случаев:

• Интеграция с экосистемой PaddlePaddle: Организации с существующей инфраструктурой, построенной на фреймворке и инструментах PaddlePaddle от Baidu.
• Развертывание на периферийных устройствах с Paddle Lite: Развертывание на оборудовании с высокооптимизированными ядрами инференса, специально предназначенными для Paddle Lite или механизма инференса Paddle.
• Высокоточное обнаружение на сервере: Сценарии, в которых приоритетом является максимальная точность обнаружения на мощных GPU-серверах, а зависимость от фреймворка не имеет значения.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Преимущество Ultralytics: знакомство с YOLO26#

Хотя YOLOX и PP-YOLOE+ обладают различными преимуществами, стремительное развитие ИИ требует инструментов, сочетающих передовую точность с непревзойденной простотой использования. Именно здесь модели Ultralytics, в частности недавно выпущенная Ultralytics YOLO26, превосходят исследовательские репозитории прошлых поколений.

Выпущенная в январе 2026 года, YOLO26 устанавливает новый стандарт для современного обнаружения объектов и других задач, предлагая опыт разработки, которому конкурирующим фреймворкам просто нечего противопоставить.

Почему разработчики выбирают YOLO26#

1. Сквозная архитектура без NMS: Развивая концепции, впервые примененные в YOLOv10, YOLO26 изначально работает сквозным образом. Полностью устраняя постобработку с подавлением немаксимумов (NMS), модель обеспечивает высокую стабильность задержки и значительно упрощает конвейеры экспорта для граничных сред.
2. Оптимизация нового поколения: Стабильность обучения кардинально повышается благодаря оптимизатору MuSGD — гибридному оптимизатору на основе SGD и Muon, вдохновленному методологиями LLM, такими как Kimi K2 от Moonshot AI. Это обеспечивает более быструю сходимость. Кроме того, YOLO26 использует ProgLoss + STAL для значительного улучшения распознавания небольших объектов — важнейшей возможности для приложений, работающих с аэрофотоснимками и робототехникой.
3. Непревзойденная эффективность оборудования: Благодаря удалению Distribution Focal Loss (DFL) YOLO26 значительно снижает требования к памяти. Модель обеспечивает до 43% более быстрый инференс на CPU, что делает ее оптимальным выбором для устройств без выделенного ускорения GPU.
4. Экстремальная универсальность: В отличие от PP-YOLOE+, ориентированной исключительно на обнаружение объектов, YOLO26 обеспечивает унифицированную поддержку множества задач. Она включает специализированную функцию потерь семантической сегментации для сегментации экземпляров, Residual Log-Likelihood Estimation (RLE) для точной оценки позы и продвинутые механизмы функции потерь угла для ориентированных ограничивающих рамок (OBB).

Бесшовная интеграция с экосистемой#

Ultralytics избавляет от сложностей с установкой комплексных фреймворков. Используя унифицированный API Python или интуитивно понятную платформу Ultralytics, ты можешь обучать, валидировать 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 высоконадежным выбором для устаревших развертываний, а основанная на Transformer модель RT-DETR предоставляет отличные возможности тем, кто ищет решения на основе механизма внимания.

Итоги#

Выбор между YOLOX и PP-YOLOE+ часто сводится к ограничениям основного фреймворка — предпочитаешь ли ты гибкость на базе PyTorch или глубокую интеграцию с PaddlePaddle от Baidu. Однако организациям, стремящимся обеспечить перспективность своей ИИ-инфраструктуры, Ultralytics YOLO26 предлагает значительно более совершенную альтернативу. Благодаря революционной архитектуре без NMS, небольшому объему требуемой памяти и универсальности для множества задач YOLO26 позволяет командам создавать приложения компьютерного зрения быстрее, интеллектуальнее и эффективнее, обеспечивая беспрецедентную простоту.