Inizia

PP-YOLOE+ vs YOLO26

La computer vision in tempo reale è cresciuta rapidamente, spinta dalla necessità di modelli di rilevamento di oggetti scalabili, efficienti e accurati. Due architetture degne di nota in questo ambito sono PP-YOLOE+, un rilevatore dell'ecosistema PaddlePaddle, e Ultralytics YOLO26, il più recente modello Ultralytics, progettato per la distribuzione edge e l'efficienza di addestramento.

Questa guida confronta i due modelli, mettendone in evidenza le architetture, le metriche di prestazione, i metodi di addestramento e i casi d'uso ideali, per aiutarti a prendere una decisione informata per il tuo prossimo progetto di AI.

Specifiche tecniche e autori#

Le origini e le filosofie progettuali alla base di questi modelli forniscono un contesto utile per comprenderne le applicazioni nel mondo reale.

Dettagli su PP-YOLOE+:

Scopri di più su PP-YOLOE+

Dettagli di YOLO26:

Innovazioni architetturali#

Architettura di PP-YOLOE+#

Basato su PP-YOLOE e sul precedente PP-YOLOv2, PP-YOLOE+ introduce un design robusto pensato per le applicazioni industriali. Utilizza il backbone CSPRepResNet e una testa ET (testa efficiente e allineata alle attività) per bilanciare velocità e accuratezza. PP-YOLOE+ utilizza l'assegnazione dinamica delle etichette (TAL) e si integra strettamente con il framework PaddlePaddle di Baidu, risultando altamente ottimizzato per GPU NVIDIA come T4 e V100. Tuttavia, la forte dipendenza dall'ecosistema PaddlePaddle può creare difficoltà agli sviluppatori che lavorano con flussi di lavoro PyTorch.

Architettura di YOLO26: design pensato per l'edge#

Rilasciato a gennaio 2026, Ultralytics YOLO26 riprogetta la pipeline di rilevamento in tempo reale, ponendo particolare enfasi sulla semplicità di distribuzione e sull'efficienza edge.

Le principali innovazioni di YOLO26 includono:

  • Architettura end-to-end senza NMS: YOLO26 supporta l'inferenza end-to-end nativa (nms=False), eliminando la necessità della post-elaborazione con soppressione dei massimi non (NMS). Questo approccio, introdotto per la prima volta in YOLOv10, mantiene costante la latenza di inferenza indipendentemente dall'affollamento della scena, semplificando notevolmente la distribuzione.
  • Rimozione della DFL: rimuovendo la Distribution Focal Loss (DFL), YOLO26 semplifica la testa di output e migliora la compatibilità con i dispositivi edge a basso consumo.
  • Inferenza su CPU fino al 43% più veloce: grazie alla rimozione della DFL e alle ottimizzazioni strutturali, YOLO26 è ottimizzato per gli ambienti senza GPU dedicate e YOLO26n raggiunge velocità di inferenza su CPU fino al 43% superiori rispetto a YOLO11n.
  • Ottimizzatore MuSGD: ispirato alle tecniche avanzate di addestramento degli LLM, come quelle di Moonshot AI, YOLO26 introduce una combinazione ibrida di SGD e Muon. Questo garantisce un addestramento stabile e una convergenza più rapida per le attività di computer vision.
  • ProgLoss + STAL: Progressive Loss e l'assegnazione delle etichette consapevole degli oggetti piccoli mirano specificamente a migliorare il riconoscimento degli oggetti di piccole dimensioni, fondamentale per i sensori edge IoT e per le immagini riprese dai droni, come quelle del dataset VisDrone.
Miglioramenti specifici per attività in YOLO26

Oltre ai normali riquadri di delimitazione, YOLO26 introduce miglioramenti specifici per tutte le attività di visione. Utilizza la perdita di segmentazione semantica e la prototipazione multiscala per la segmentazione, la stima residuale della log-verosimiglianza (RLE) per la stima della posa e una funzione di perdita angolare specializzata per risolvere i problemi ai bordi nel rilevamento dei riquadri di delimitazione orientati (OBB).

Prestazioni e metriche#

La tabella seguente offre un confronto completo tra PP-YOLOE+ e YOLO26 per diverse dimensioni dei modelli. I modelli YOLO26 sono superiori in velocità pura, efficienza dei parametri e precisione media (mAP) complessiva.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

Nota: i valori in grassetto indicano la metrica migliore tra le coppie di modelli della stessa dimensione.

Analisi#

  • Requisiti di memoria ed efficienza: YOLO26 richiede molti meno parametri e FLOP per ottenere punteggi mAP più elevati. Per esempio, il modello YOLO26n (Nano) raggiunge una mAP di 40,9 con soli 2,4 milioni di parametri, superando PP-YOLOE+t pur avendo dimensioni pari a circa la metà. Ciò comporta un minore utilizzo della memoria durante l'addestramento e la distribuzione.
  • Velocità di inferenza: esportato con TensorRT, YOLO26 è in testa nelle metriche di latenza. La testa uno-a-uno senza NMS (nms=False, utilizzata per questi benchmark) mantiene stabile il tempo di inferenza di 1,7 ms su una GPU T4, mentre PP-YOLOE+ dipende da tempi di post-elaborazione potenzialmente variabili.

I vantaggi di Ultralytics: ecosistema e facilità d'uso#

Sebbene le metriche pure siano importanti, spesso è l'esperienza degli sviluppatori a determinare il successo di un progetto. La Ultralytics Platform offre un ecosistema ben mantenuto, molto più facile da usare rispetto ai framework meno recenti.

  1. Facilità d'uso: Ultralytics astrae il complesso codice boilerplate. Per addestrare YOLO26 bastano poche righe di Python, senza dover ricorrere ai file di configurazione complessi richiesti da PP-YOLOE+.
  2. Versatilità: PP-YOLOE+ è principalmente un'architettura per il rilevamento degli oggetti. YOLO26 supporta subito segmentazione, classificazione, stima della posa e OBB.
  3. Efficienza di addestramento: i modelli Ultralytics YOLO richiedono molta meno memoria CUDA rispetto ai voluminosi modelli Transformer, come RT-DETR, o alle architetture più datate, consentendo ai ricercatori di addestrare modelli accurati su hardware di fascia consumer.
Altri modelli Ultralytics

Sebbene YOLO26 sia la scelta predefinita consigliata, l'ecosistema Ultralytics include anche YOLO11 e YOLOv8. Entrambi restano modelli validi, con un ampio supporto della community, particolarmente adatti a chi mantiene sistemi esistenti.

Esempio di codice: addestramento di YOLO26#

Iniziare a usare Ultralytics è semplice. Ecco un esempio eseguibile che mostra come caricare, addestrare ed esportare un modello YOLO26:

from ultralytics import YOLO

# Load the YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer="MuSGD",  # hybrid SGD + Muon optimizer
)

# Export to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")

Casi d'uso ideali#

Quando scegliere PP-YOLOE+#

  • Infrastruttura PaddlePaddle legacy: Se un'azienda è già profondamente integrata nello stack tecnologico di Baidu e utilizza hardware preconfigurato per Paddle Inference, PP-YOLOE+ è una scelta sicura e stabile.
  • Linee di produzione esistenti basate su Paddle: le pipeline di visione industriale che già utilizzano PP-YOLOE+ per il rilevamento automatizzato dei difetti possono continuare a usare gli strumenti già collaudati.

Quando scegliere YOLO26#

  • Edge computing e IoT: l'inferenza su CPU fino al 43% più veloce (YOLO26n rispetto a YOLO11n) e la rimozione della DFL rendono YOLO26 particolarmente adatto alla distribuzione su schede Raspberry Pi, telefoni cellulari e dispositivi integrati.
  • Scene affollate e smart city: l'architettura end-to-end senza NMS mantiene stabile la latenza in ambienti densi come la gestione dei parcheggi e il monitoraggio del traffico, dove la NMS tradizionale causerebbe colli di bottiglia.
  • Progetti multi-attività: se la tua pipeline deve tracciare oggetti, stimare pose umane o generare maschere di segmentazione precise, YOLO26 gestisce tutto in un unico pacchetto Python unificato.

Conclusione#

Sebbene PP-YOLOE+ rimanga un rilevatore valido nel suo specifico ecosistema, YOLO26 alza l'asticella del rilevamento in tempo reale. Combinando ottimizzazioni di addestramento ispirate agli LLM (MuSGD) con un'architettura ottimizzata e senza NMS, Ultralytics ha creato un modello molto accurato e facile da distribuire. Per gli sviluppatori moderni che cercano il miglior equilibrio tra velocità, accuratezza ed esperienza di sviluppo, YOLO26 è la scelta consigliata.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.