Inizia

PP-YOLOE+ vs YOLOv6-3.0

La computer vision in tempo reale si è diffusa rapidamente, dando origine ad architetture specializzate e ottimizzate per diversi scenari di distribuzione. Gli sviluppatori confrontano spesso PP-YOLOE+ e YOLOv6-3.0 quando creano applicazioni che richiedono un equilibrio tra throughput elevato e accuratezza affidabile. Al momento del rilascio, entrambi i modelli hanno introdotto importanti miglioramenti architetturali, puntando ad aumentare la velocità di inferenza per le applicazioni industriali ed edge.

Prima di approfondire le architetture, consulta il grafico seguente per visualizzare le prestazioni relative dei modelli in termini di velocità e precisione.

PP-YOLOE+: punti di forza e limiti dell’architettura#

Sviluppato dagli autori di PaddlePaddle, PP-YOLOE+ è un rilevatore anchor-free di rilievo che si basa sui modelli precedenti per offrire prestazioni robuste con requisiti di scala diversi.

Punti salienti dell'architettura#

PP-YOLOE+ ha introdotto diversi miglioramenti fondamentali rispetto alla progettazione originale di PP-YOLOE. Utilizza un backbone CSPRepResNet, che bilancia in modo efficiente il costo computazionale e le capacità di estrazione delle caratteristiche. Integra inoltre una rete piramidale di caratteristiche (FPN) combinata con una Path Aggregation Network (PAN) per garantire la fusione delle caratteristiche a più scale. Una delle sue caratteristiche principali è la ET-head (Efficient Task-aligned head), che migliora notevolmente il coordinamento tra classificazione e localizzazione durante il rilevamento degli oggetti.

Sebbene PP-YOLOE+ raggiunga un'elevata precisione media (mAP), la sua dipendenza dall'ecosistema PaddlePaddle può talvolta comportare una curva di apprendimento ripida per i ricercatori abituati ai flussi di lavoro nativi PyTorch. Questo può complicare leggermente il processo di distribuzione dei modelli su dispositivi edge eterogenei che non supportano direttamente l'inferenza Paddle.

Contesto di distribuzione

PP-YOLOE+ è altamente ottimizzato per la distribuzione nello stack tecnologico di Baidu, il che lo rende una buona scelta se il tuo ambiente di produzione dipende fortemente dagli strumenti di inferenza Paddle.

Scopri di più su PP-YOLOE+

YOLOv6-3.0: velocità di elaborazione industriale#

Rilasciato dal Meituan Vision AI Department, YOLOv6-3.0 è stato progettato esplicitamente come rilevatore di oggetti di nuova generazione per le applicazioni industriali, dando priorità a un throughput elevato sull'hardware GPU.

Punti salienti dell'architettura#

YOLOv6-3.0 dispone di un backbone EfficientRep progettato specificamente per massimizzare l'utilizzo dell'hardware, in particolare sulle GPU NVIDIA con TensorRT. L'aggiornamento v3.0 ha introdotto nel neck un modulo Bi-directional Concatenation (BiC), che migliora la conservazione delle caratteristiche spaziali senza aumentare significativamente il numero di parametri. Ha inoltre introdotto una strategia Anchor-Aided Training (AAT), che combina i vantaggi della stabilità delle anchor durante l'addestramento dei modelli con un'architettura rapida e anchor-free durante l'inferenza in tempo reale.

Tuttavia, poiché YOLOv6-3.0 è altamente ottimizzato per le GPU di livello server, i vantaggi in termini di latenza talvolta diminuiscono quando viene distribuito su dispositivi edge con sola CPU e risorse molto limitate. Questa specializzazione lo rende più adatto ad ambienti come l'analisi video offline e può farlo risultare meno performante dei modelli ottimizzati per l'edge su hardware di dimensioni ridotte.

Scopri di più su YOLOv6

Tabella di confronto delle prestazioni#

La tabella seguente mette in evidenza le principali metriche prestazionali, confrontando direttamente le diverse varianti di scala delle due architetture.

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

Casi d'uso e consigli#

La scelta tra PP-YOLOE+ e YOLOv6 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze in fatto di ecosistema.

Quando scegliere PP-YOLOE+#

PP-YOLOE+ è una scelta valida per:

  • Integrazione con l'ecosistema PaddlePaddle: Organizzazioni che dispongono già di un'infrastruttura basata sul framework e sugli strumenti PaddlePaddle di Baidu.
  • Distribuzione edge con Paddle Lite: Distribuzione su hardware con kernel di inferenza altamente ottimizzati specificamente per Paddle Lite o per il motore di inferenza Paddle.
  • Rilevamento lato server ad alta accuratezza: Scenari che privilegiano la massima accuratezza di rilevamento su potenti server GPU, dove la dipendenza dal framework non è un problema.

Quando scegliere YOLOv6#

YOLOv6 è consigliato per:

  • Distribuzione ottimizzata per l’hardware industriale: scenari in cui la progettazione consapevole dell’hardware e la riparametrizzazione efficiente del modello offrono prestazioni ottimizzate sull’hardware di destinazione specifico.
  • Rilevamento rapido a singolo stadio: applicazioni che privilegiano la velocità pura di inferenza su GPU per l’elaborazione video in tempo reale in ambienti controllati.
  • Integrazione nell’ecosistema Meituan: team che lavorano già nello stack tecnologico e nell’infrastruttura di distribuzione di Meituan.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:

  • Distribuzione edge senza NMS: applicazioni che richiedono inferenza costante a bassa latenza senza la complessità della post-elaborazione con soppressione non massima.
  • Ambienti con sola CPU: dispositivi privi di accelerazione GPU dedicata, in cui l'inferenza su CPU di YOLO26n, fino al 43% più veloce rispetto a YOLO11n, offre un chiaro vantaggio.
  • Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

I vantaggi di Ultralytics: oltre i modelli legacy#

PP-YOLOE+ e YOLOv6-3.0 offrono soluzioni mirate, ma lo sviluppo dell'IA moderna richiede flussi di lavoro versatili ed efficienti in termini di memoria. È qui che la Ultralytics Platform offre un'esperienza di sviluppo eccellente. Grazie a un'API Python unificata, puoi addestrare, convalidare e distribuire modelli moderni senza il pesante carico di configurazione tipico dei repository di ricerca meno recenti.

I modelli Ultralytics supportano nativamente un'ampia gamma di attività visive oltre al rilevamento standard, tra cui la segmentazione di istanze, la classificazione delle immagini, la stima della posa e l'estrazione di bounding box orientate (OBB). Sono inoltre ottimizzati per ridurre l'utilizzo della memoria durante l'addestramento, a differenza dei modelli basati su Transformer come RT-DETR, che in genere richiedono grandi quantità di VRAM GPU.

Scopri YOLO26: il nuovo standard#

Per le organizzazioni che vogliono distribuire i modelli visivi più recenti, Ultralytics YOLO26 (rilasciato a gennaio 2026) supera nettamente le generazioni precedenti grazie a diverse innovazioni importanti:

  • Progettazione end-to-end senza NMS: basandosi sui concetti di YOLOv10, la head one-to-one opzionale di YOLO26 (nms=False) elimina completamente la post-elaborazione con soppressione dei massimi non locali (NMS). Questo approccio end-to-end nativo offre un'inferenza prevedibile e a bassa latenza, fondamentale per i sistemi di sicurezza in tempo reale.
  • Inferenza CPU fino al 43% più veloce: con la Distribution Focal Loss (DFL) rimossa dall'architettura, YOLO26 è ottimizzato per l'edge computing e gli ambienti privi di accelerazione GPU dedicata; YOLO26n è fino al 43% più veloce di YOLO11n sulla CPU.
  • Ottimizzatore MuSGD: integrando la stabilità dell’addestramento degli LLM nei modelli di visione, questo ottimizzatore ibrido, ispirato a Moonshot AI, consente una convergenza rapida e sessioni di addestramento personalizzato altamente stabili.
  • ProgLoss + STAL: queste tecniche di addestramento migliorano notevolmente il riconoscimento degli oggetti di piccole dimensioni, fondamentale per applicazioni come le immagini aeree acquisite da droni e l'analisi di scene affollate.
Rendi le tue pipeline pronte per il futuro

Se oggi stai sviluppando un nuovo progetto, inizia con YOLO26 invece di utilizzare architetture meno recenti. L'efficienza in termini di memoria e la velocità senza NMS ne semplificano notevolmente la messa in produzione.

Implementazione#

Addestrare ed esportare modelli con il pacchetto Python Ultralytics è semplice. L'esempio seguente mostra come addestrare il modello YOLO26 più recente ed esportarlo in ONNX per una rapida distribuzione edge:

from ultralytics import YOLO

# Carica il modello YOLO26 small
model = YOLO("yolo26s.pt")

# Addestra il modello sul dataset di esempio COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Esegui l’inferenza senza NMS su un’immagine di test
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Esporta in formato ONNX per la distribuzione su dispositivi edge
model.export(format="onnx")

Per i team profondamente integrati nei flussi di lavoro meno recenti ma in cerca di stabilità moderna, valutare Ultralytics YOLO11 è anche un buon passaggio intermedio: offre una versatilità completa per diverse attività, supportata dall'intero ecosistema Ultralytics.

Commenti

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