YOLOX и PP-YOLOE+
При разработке надежного конвейера компьютерного зрения выбор подходящей модели для обнаружения объектов — критически важное решение. Конкуренция среди детекторов для работы в реальном времени очень высока: множество архитектур стремятся найти оптимальный баланс между скоростью инференса и точностью обнаружения. В этом техническом сравнении рассматриваются две известные модели — YOLOX и PP-YOLOE+, — их архитектура, методы обучения и метрики производительности. Цель сравнения — помочь разработчикам и исследователям выбрать подходящий инструмент для своей среды развертывания.
Архитектурные инновации и проектирование#
Обе модели были созданы для решения конкретных проблем ранних версий YOLO, но к компромиссу между скоростью и точностью они подходят по-разному.
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 стала важным поворотным моментом для семейства YOLO, полностью перейдя на безанкерную архитектуру. С основополагающим исследованием можно ознакомиться в официальной статье на arXiv, а исходный код доступен в репозитории YOLOX на GitHub.
В YOLOX используется раздельная головка, которая отделяет задачи классификации от регрессии и значительно ускоряет сходимость при обучении. Кроме того, в модели появились передовые стратегии назначения меток, например SimOTA, для динамического назначения положительных примеров. Благодаря этому модель работает эффективно, а ее самые компактные варианты подходят для сред периферийного ИИ с жесткими ограничениями вычислительных ресурсов.
PP-YOLOE+: высокопроизводительное обнаружение объектов для промышленности#
PP-YOLOE+ представили авторы PaddlePaddle из Baidu 2 апреля 2022 года. Это оптимизированная версия серии PP-YOLO. Подробное описание опубликовано в статье на arXiv. PP-YOLOE+ тесно интегрирована с экосистемой Baidu и требует фреймворка PaddlePaddle. Конфигурации модели доступны в репозитории PaddleDetection на GitHub.
В основе PP-YOLOE+ лежит CSPRepResNet, а в модели используются эффективная головка, согласованная с задачей (ET-head), и обучение с выравниванием задач (TAL). Такая архитектура обеспечивает высокое значение средней точности (mAP) на наборе данных COCO, поэтому она хорошо подходит для обнаружения производственных дефектов и интенсивной обработки на стороне сервера, где точность важнее минимального числа зависимостей.
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
PP-YOLOE+ точнее YOLOX для всех сопоставимых размеров и, начиная с варианта s, требует меньше FLOPs; наибольшей точности в целом достигает PP-YOLOE+x. При этом у YOLOX есть очень компактные варианты Nano и Tiny, подходящие для маломощных микроконтроллеров и устаревшего мобильного оборудования.
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 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.
Преимущества Ultralytics: знакомство с YOLO26#
YOLOX и PP-YOLOE+ обладают разными преимуществами, однако быстрое развитие ИИ требует инструментов, сочетающих высокую точность и простоту использования. Именно этим выделяются модели Ultralytics, особенно Ultralytics YOLO26, на фоне старых исследовательских репозиториев.
Выпущенная в январе 2026 года, YOLO26 устанавливает новый стандарт для современного обнаружения объектов и других задач компьютерного зрения, предлагая оптимизированные инструменты для разработчиков.
Почему разработчики выбирают YOLO26#
- Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, YOLO26 поддерживает нативный сквозной инференс. Пропуская постобработку с NMS благодаря дополнительной голове one-to-one (
nms=False), модель обеспечивает стабильную задержку и упрощает конвейеры экспорта для периферийных сред. - Оптимизация обучения: Оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный методами обучения больших языковых моделей, например Kimi K2 от Moonshot AI, — повышает стабильность обучения и скорость сходимости. В YOLO26 также используется ProgLoss + STAL (прогрессивная функция потерь и назначение меток с учетом малых объектов), что улучшает обнаружение небольших объектов и особенно важно для приложений с аэрофотосъемкой и робототехникой.
- Эффективность оборудования: Удаление Distribution Focal Loss (DFL) упрощает головку обнаружения и граф экспорта YOLO26. YOLO26n обеспечивает до 43% более быстрый инференс на CPU, чем YOLO11n, поэтому она хорошо подходит для устройств без выделенного ускорения на GPU.
- Универсальность: В отличие от PP-YOLOE+, ориентированной исключительно на обнаружение, YOLO26 поддерживает широкий спектр задач в рамках единой модели. Она использует специализированную функцию потерь для семантической сегментации при сегментации экземпляров, оценку логарифмического правдоподобия остатков (RLE) для точной оценки позы и специализированную функцию потерь для углов при обнаружении ориентированных ограничивающих рамок (OBB).
Интеграция с экосистемой#
Для работы с Ultralytics не нужно устанавливать сложные фреймворки. С помощью унифицированного Python API или интуитивно понятной платформы Ultralytics ты можешь обучать, проверять и экспортировать модели всего несколькими строками кода.
from ultralytics import YOLO
# Загрузить малую 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)
# Выполнить 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)Если ты рассматриваешь другие надежные архитектуры из экосистемы Ultralytics, YOLO11 остается проверенным выбором для существующих развертываний, а Transformer-модель RT-DETR предлагает широкие возможности тем, кому нужны решения на основе механизмов внимания.
Итоги#
Выбор между YOLOX и PP-YOLOE+ часто зависит от требований к основному фреймворку: нужна ли тебе гибкость PyTorch или глубокая интеграция с PaddlePaddle от Baidu. Однако организациям, планирующим новую инфраструктуру ИИ, рекомендуется Ultralytics YOLO26. Благодаря опциональному инференсу без NMS, небольшому объему памяти и широкой поддержке задач YOLO26 помогает командам создавать быстрые и эффективные приложения компьютерного зрения.
Комментарии6
Задай вопрос, поделись результатами или помоги кому-нибудь.
UltralyticsAssistantUltralytics
👋 Hello, thank you for sharing your interest in comparing YOLOX and PP-YOLOE+ 🚀!
For a detailed breakdown of performance, architecture, and use cases, you can explore our dedicated Compare YOLOX vs PP-YOLOE+ Guide. This resource provides valuable insights to help you choose the best model for your specific requirements.
If you have specific questions or need further assistance, please provide more details about your use case. For example:
- What type of dataset are you working with?
- Are there specific metrics or constraints you are prioritizing?
Join the Ultralytics community for more discussions and insights:
- Real-time chat? Join us on Discord 🎧.
- Prefer forum-style discussions? Check out Discourse.
- Or head over to our Subreddit to connect with other users.
Additionally, ensure you're using the latest version of the
ultralyticspackage for optimal performance and features. Upgrade with the following command:pip install -U ultralyticsThis is an automated response to assist you quickly, but don't worry—an Ultralytics engineer will review your discussion and provide further input soon. Thanks for being part of the community! 😊
Glenn JocherUltralytics(изменено)@UltralyticsAssistant Thanks for the automated response.
@Amine-Torki You've raised a valid point about our documentation consistency. We're actively updating our comparison articles to reflect the latest models. The Ultralytics ecosystem now includes YOLO26 (our latest release) and YOLO11, both offering significant improvements over earlier models.
For those comparing YOLOX and PP-YOLOE+, both are solid anchor-free detectors, but Ultralytics YOLO26 provides advantages in terms of ecosystem integration, versatility across multiple vision tasks, and overall performance balance. Our documentation team is working to ensure all comparison pages accurately represent the current state of YOLO development.
Amine-Torki
"YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...
-1
Glenn JocherUltralytics(изменено)@Amine-Torki thank you for your feedback. Our documentation is continuously improved by both the Ultralytics team and community contributions to ensure accuracy and relevance. For the latest advancements, check out YOLO26 and YOLO11, which showcase our ongoing commitment to innovation in computer vision.
Amine-Torki(изменено)
Hi. My question is about why saying in this article "YOLOv8: The latest iteration in the YOLO series" when there is, as you just said, YOLO11 and YOLOv10. Since the Technical Comparison was last updated 1 month ago, it just make me think it was written by a llm with lack of knowledge/hallucination on the latest updates.
Glenn JocherUltralytics(изменено)