Erste Schritte

YOLOX im Vergleich zu PP-YOLOE+

Bei der Entwicklung einer robusten Computer-Vision-Pipeline ist die Wahl des passenden Objekterkennungs-Modells eine entscheidende Weichenstellung. Der Wettbewerb im Bereich der Echtzeit-Objekterkennung ist intensiv, und zahlreiche Architekturen zielen auf die beste Balance zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit. Dieser technische Vergleich bewertet zwei bedeutende Modelle, YOLOX und PP-YOLOE+, und untersucht ihre Architektur, Trainingsmethoden und Leistungskennzahlen, damit Entwickler und Forschende das passende Werkzeug für ihre Bereitstellungsumgebungen auswählen können.

Architektonische Neuerungen und Design#

Beide Modelle wurden entwickelt, um bestimmte Schwachstellen früherer YOLO-Versionen zu beheben, verfolgen beim Kompromiss zwischen Geschwindigkeit und Genauigkeit jedoch unterschiedliche Ansätze.

YOLOX: Forschung und Industrie verbinden#

YOLOX wurde von Zheng Ge, Songtao Liu, Feng Wang, Zeming Li und Jian Sun bei Megvii entwickelt und am 18. Juli 2021 veröffentlicht. Mit dem konsequenten Wechsel zu einem anchor-freien Design markierte das Modell eine deutliche Veränderung innerhalb der YOLO-Familie. Die Grundlagen der Forschung findest du in der offiziellen arXiv-Arbeit, den ursprünglichen Quellcode im YOLOX-GitHub-Repository.

YOLOX verfügt über einen entkoppelten Kopf, der Klassifizierungs- und Regressionsaufgaben voneinander trennt und so die Konvergenz während des Trainings deutlich beschleunigt. Außerdem wurden fortschrittliche Strategien zur Label-Zuweisung wie SimOTA eingeführt, um positive Samples dynamisch zuzuweisen. Das macht das Modell effizient; seine kleinsten Varianten eignen sich für Edge-KI-Umgebungen mit stark begrenzten Rechenressourcen.

Mehr über YOLOX erfahren

PP-YOLOE+: leistungsstarke industrielle Erkennung#

PP-YOLOE+ wurde von den PaddlePaddle-Autoren bei Baidu am 2. April 2022 vorgestellt und ist eine optimierte Weiterentwicklung der PP-YOLO-Reihe. Wie in ihrer arXiv-Veröffentlichung beschrieben, ist PP-YOLOE+ eng in das Baidu-Ökosystem integriert und erfordert das PaddlePaddle-Framework. Die Modellkonfigurationen findest du im PaddleDetection-GitHub-Repository.

PP-YOLOE+ basiert auf CSPRepResNet und verwendet neben einem Efficient Task-aligned Head (ET-head) auch Task Alignment Learning (TAL). Diese Architektur erzielt eine hohe mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz und eignet sich daher gut für die Erkennung von Fertigungsfehlern und rechenintensive serverseitige Verarbeitung, bei denen Genauigkeit wichtiger ist als minimale Abhängigkeiten.

Erfahre mehr über PP-YOLOE+

Leistungsbenchmarks#

Für die Bereitstellung ist es wichtig zu verstehen, wie sich diese Modelle bei unterschiedlichen Größen verhalten. Die folgende Tabelle zeigt wichtige Kennzahlen, darunter mAP und Inferenzgeschwindigkeiten nach dem Export nach TensorRT.

ModellGröße
(Pixel)
mAPval50-95Geschwindigkeit
CPU ONNX
(ms)
Geschwindigkeit
T4 TensorRT10
(ms)
Parameter
(M)
FLOPs
(B)
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59
Überlegungen zur Bereitstellung

PP-YOLOE+ ist bei jeder vergleichbaren Größe genauer als YOLOX und benötigt ab Größe s weniger FLOPs; PP-YOLOE+x erzielt insgesamt die höchste Genauigkeit. YOLOX bietet dagegen sehr leichte Varianten (Nano und Tiny), die sich gut für stromsparende Mikrocontroller und ältere Mobilhardware eignen.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen YOLOX und PP-YOLOE+ hängt von den spezifischen Anforderungen deines Projekts, den Einschränkungen bei der Bereitstellung und deinen Präferenzen beim Ökosystem ab.

Wann du YOLOX wählen solltest#

YOLOX ist eine gute Wahl für:

  • Forschung zur anchorfreien Erkennung: Akademische Forschung, bei der YOLOX aufgrund seiner übersichtlichen, anchorfreien Architektur als Grundlage für Experimente mit neuen Erkennungs-Heads oder Verlustfunktionen dient.
  • Besonders kleine Edge-Geräte: Bereitstellungen auf Mikrocontrollern oder älterer Mobilhardware, bei denen die extrem geringe Größe der YOLOX-Nano-Variante (0,91 Mio. Parameter) entscheidend ist.
  • Studien zur SimOTA-Labelzuweisung: Forschungsprojekte, die Strategien zur Labelzuweisung auf Grundlage optimalen Transports und deren Auswirkungen auf die Trainingskonvergenz untersuchen.

Wann du PP-YOLOE+ wählen solltest#

PP-YOLOE+ empfiehlt sich für:

  • Integration in das PaddlePaddle-Ökosystem: Unternehmen mit einer bestehenden Infrastruktur auf Basis des PaddlePaddle-Frameworks und der Werkzeuge von Baidu.
  • Edge-Bereitstellung mit Paddle Lite: Bereitstellung auf Hardware mit hochoptimierten Inferenzkernen speziell für Paddle Lite oder die Paddle-Inferenz-Engine.
  • Erkennung mit hoher Genauigkeit auf Servern: Szenarien, in denen höchste Erkennungsgenauigkeit auf leistungsstarken GPU-Servern gefragt ist und die Abhängigkeit von einem bestimmten Framework keine Rolle spielt.

Wann du Ultralytics (YOLO26) wählen solltest#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

  • NMS-freie Bereitstellung am Netzwerkrand: Anwendungen, die eine gleichmäßige Inferenz mit niedriger Latenz ohne die Komplexität der Nachbearbeitung mit Non-Maximum Suppression (NMS) benötigen.
  • Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 (YOLO26n gegenüber YOLO11n) einen entscheidenden Vorteil bietet.
  • Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder die Analyse von IoT-Sensordaten, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten verbessern.

Der Vorteil von Ultralytics: YOLO26 im Überblick#

YOLOX und PP-YOLOE+ bieten zwar jeweils besondere Vorteile, doch die rasante Entwicklung der KI erfordert Werkzeuge, die hohe Genauigkeit mit einfacher Bedienung verbinden. Hier heben sich Ultralytics-Modelle, insbesondere Ultralytics YOLO26, von älteren Forschungsrepositories ab.

YOLO26 wurde im Januar 2026 veröffentlicht und setzt mit einer optimierten Entwicklererfahrung einen neuen Maßstab für moderne Objekterkennung und weitere Bildverarbeitungsaufgaben.

Warum Entwicklerinnen und Entwickler YOLO26 wählen#

  1. End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle eingeführt hat, unterstützt YOLO26 die native End-to-End-Inferenz. Indem der optionale One-to-One-Kopf (nms=False) die NMS-Nachverarbeitung überspringt, sorgt er für gleichmäßige Latenz und vereinfacht Exportpipelines für Edge-Umgebungen.
  2. Trainingsoptimierung: Der MuSGD-Optimierer, eine Kombination aus SGD und Muon (inspiriert von LLM-Methoden wie Kimi K2 von Moonshot AI), verbessert die Trainingsstabilität und Konvergenzgeschwindigkeit. YOLO26 verwendet außerdem ProgLoss + STAL (Progressive Loss and Small-Target-Aware Label Assignment), um die Erkennung kleiner Objekte zu verbessern – ein entscheidendes Merkmal für Anwendungen mit Luftbildaufnahmen und Robotik.
  3. Hardwareeffizienz: Durch den Wegfall von Distribution Focal Loss (DFL) werden der Erkennungskopf und der Exportgraph von YOLO26 vereinfacht. YOLO26n ermöglicht eine bis zu 43 % schnellere CPU-Inferenz als YOLO11n und eignet sich damit gut für Geräte ohne dedizierte GPU-Beschleunigung.
  4. Vielseitigkeit: Im Gegensatz zu PP-YOLOE+, das ausschließlich auf Erkennung ausgerichtet ist, unterstützt YOLO26 zahlreiche Aufgaben in einem einheitlichen System. Es umfasst einen speziellen semantischen Segmentierungs-Loss für die Instanzsegmentierung, Residual Log-Likelihood Estimation (RLE) für präzise Posenschätzung und einen speziellen Winkelloss für orientierte Begrenzungsrahmen (OBB).

Integration in das Ökosystem#

Ultralytics kommt ohne komplexe Framework-Installationen aus. Mit der einheitlichen Python-API oder der intuitiven Ultralytics Platform kannst du Modelle mit nur wenigen Codezeilen trainieren, validieren und exportieren.

from ultralytics import YOLO

# Das kleine YOLO26-Modell laden
model = YOLO("yolo26s.pt")

# Mit minimalem CUDA-Speicherbedarf auf einem benutzerdefinierten Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Inferenz ausführen
predictions = model("https://ultralytics.com/images/bus.jpg")

# Nativ nach ONNX exportieren und die NMS-freie Architektur voll ausschöpfen
model.export(format="onnx", nms=False)

Wenn du andere robuste Architekturen im Ultralytics-Ökosystem bewertest, bleibt YOLO11 eine zuverlässige Wahl für bestehende Bereitstellungen. Der Transformer-basierte RT-DETR bietet starke Funktionen für alle, die nach Lösungen auf Basis von Attention suchen.

Zusammenfassung#

Die Wahl zwischen YOLOX und PP-YOLOE+ hängt oft von den Framework-Vorgaben ab – davon, ob du die Flexibilität von PyTorch oder die tiefe Integration mit Baidus PaddlePaddle bevorzugst. Für Unternehmen, die eine neue KI-Infrastruktur planen, ist Ultralytics YOLO26 jedoch die empfohlene Alternative. Mit optionaler NMS-freier Inferenz, geringem Speicherbedarf und breiter Aufgabenunterstützung hilft YOLO26 Teams, schnelle und effiziente Computer-Vision-Anwendungen zu entwickeln.

Kommentare6

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.

  1. UltralyticsAssistantGitHubUltralytics

    👋 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 ultralytics package for optimal performance and features. Upgrade with the following command:

    pip install -U ultralytics

    This 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! 😊

    1. Glenn JocherUltralytics(bearbeitet)

      @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.

  2. Amine-TorkiGitHub

    "YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...

    -1
    1. Glenn JocherUltralytics(bearbeitet)

      @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.

    2. Amine-TorkiGitHub(bearbeitet)

      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.

    3. Glenn JocherUltralytics(bearbeitet)

      Thank you for catching this! The article you referenced is an older resource, while our YOLO26 and YOLO11 documentation reflect the latest updates. We continuously improve our docs with community contributions - feel free to suggest edits via GitHub if you spot areas needing refresh! 😊