Inizia

PP-YOLOE+ vs YOLOv7

Quando crei pipeline di computer vision, scegliere il modello di rilevamento degli oggetti giusto è fondamentale. Due architetture importanti del 2022, PP-YOLOE+ e YOLOv7, hanno introdotto progressi significativi nel rilevamento degli oggetti in tempo reale. Questo confronto tecnico esamina le architetture, i metodi di addestramento e le prestazioni nel mondo reale per aiutarti a prendere decisioni consapevoli per le tue applicazioni.

Panoramica dei modelli#

PP-YOLOE+ e YOLOv7 sono stati entrambi progettati per migliorare accuratezza e velocità, ma provengono da ecosistemi di sviluppo e filosofie progettuali differenti.

PP-YOLOE+#

Sviluppato dagli autori di PaddlePaddle presso Baidu, PP-YOLOE+ si basa su PP-YOLOE e sul precedente PP-YOLOv2. È stato introdotto per offrire un rilevatore di oggetti efficiente e accurato, ottimizzato per l'ecosistema PaddlePaddle.

Scopri di più su PP-YOLOE+

YOLOv7#

Sviluppato da Chien-Yao Wang, Alexey Bochkovskiy e Hong-Yuan Mark Liao, YOLOv7 ha introdotto il «bag-of-freebies addestrabile» per stabilire nuovi benchmark all’avanguardia per i rilevatori di oggetti in tempo reale al momento del rilascio.

Scopri di più su YOLOv7

Innovazioni architetturali#

Architettura di PP-YOLOE+#

PP-YOLOE+ utilizza una progettazione anchor-free che semplifica la distribuzione eliminando la necessità di ottimizzare le anchor box per i dataset personalizzati. Integra un backbone CSPRepResNet e una PAN in stile CSPNet (Path Aggregation Network) per un'efficace fusione delle caratteristiche a più scale. Inoltre, utilizza Task Alignment Learning (TAL) per allineare dinamicamente i compiti di classificazione e localizzazione durante l'addestramento, garantendo un'elevata accuratezza in diverse attività di computer vision.

Architettura di YOLOv7#

YOLOv7 ha seguito un approccio diverso introducendo la Extended Efficient Layer Aggregation Network (E-ELAN). Questa architettura consente alla rete di apprendere caratteristiche più diversificate senza compromettere il percorso originale del gradiente, favorendo una convergenza migliore. YOLOv7 fa inoltre ampio uso della riparametrizzazione del modello, in particolare di convoluzioni riparametrizzate pianificate, che fondono i livelli convoluzionali durante l'inferenza per accelerare l'esecuzione senza sacrificare l'accuratezza. Questo rende YOLOv7 adatto ai carichi di lavoro GPU come il tracciamento multi-oggetto e i complessi sistemi di allarme di sicurezza.

Differenze tra gli ecosistemi

PP-YOLOE+ è strettamente integrato con il framework PaddlePaddle di Baidu, mentre YOLOv7 è stato realizzato in PyTorch, che storicamente offre una community più ampia e una compatibilità immediata più estesa con le pipeline di distribuzione come ONNX e TensorRT.

Analisi delle prestazioni#

Nel bilanciare velocità, parametri e accuratezza (mAP), ogni modello si distingue in aree diverse a seconda della variante specifica e dell'hardware di destinazione. La tabella seguente confronta le metriche.

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

Sebbene il modello PP-YOLOE+x raggiunga un mAP leggermente superiore, le varianti YOLOv7 offrono un rapporto parametri-accuratezza molto elevato. L'architettura YOLOv7 resta una delle preferite per l'elaborazione GPU pura, in cui l'ottimizzazione TensorRT garantisce una latenza molto bassa.

I vantaggi di Ultralytics#

Quando addestri e distribuisci questi modelli, il framework che scegli è importante quanto il modello stesso. Ultralytics offre un'esperienza utente semplificata grazie a un'API Python unificata che agevola l'intero ciclo di vita del machine learning.

  • Ecosistema ben mantenuto: i modelli Ultralytics YOLO beneficiano di un ecosistema aggiornato costantemente, documentazione completa e una community attiva.
  • Requisiti di memoria: Ultralytics ottimizza il caricamento dei dati e le procedure di addestramento. In genere, addestrare i modelli Ultralytics YOLO richiede molta meno memoria CUDA rispetto alle pesanti architetture basate su Transformer, consentendo agli sviluppatori di usare batch più grandi su hardware di fascia consumer.
  • Efficienza di addestramento: grazie a solide strategie di aumento dei dati e alla regolazione integrata degli iperparametri, Ultralytics garantisce una convergenza rapida dei modelli con pesi preaddestrati facilmente disponibili.

Implementazione semplice dell’API#

Il pacchetto Ultralytics non supporta l'addestramento nativo di YOLOv7 (consulta la documentazione di YOLOv7 per eseguire le esportazioni upstream di YOLOv7), ma per addestrare un moderno modello Ultralytics YOLO bastano poche righe di codice, al posto di complessi script di addestramento:

from ultralytics import YOLO

# Carica un modello YOLO26 preaddestrato
model = YOLO("yolo26n.pt")

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

# Esporta in TensorRT per la distribuzione
model.export(format="engine", device=0)

Il nuovo standard: ecco YOLO26#

PP-YOLOE+ e YOLOv7 sono traguardi importanti nel rilevamento degli oggetti, ma il panorama dell'IA evolve rapidamente. Per qualsiasi nuovo progetto di computer vision, il modello consigliato è Ultralytics YOLO26. Rilasciato a gennaio 2026, YOLO26 rappresenta un importante passo avanti nell'IA visiva edge-first.

Perché YOLO26 supera le architetture meno recenti:

  • Progettazione end-to-end senza NMS: YOLO26 è nativamente end-to-end. Saltando la post-elaborazione con soppressione dei massimi non locali (NMS) grazie alla sua head one-to-one opzionale (nms=False), offre una latenza di inferenza prevedibile, un approccio introdotto per la prima volta con YOLOv10.
  • Rimozione di DFL: la rimozione della Distribution Focal Loss semplifica il processo di esportazione e migliora notevolmente la compatibilità con i dispositivi edge a basso consumo.
  • Inferenza CPU fino al 43% più veloce: negli scenari senza GPU dedicate, come i sensori IoT per le smart city, YOLO26 è ottimizzato per funzionare in modo efficiente sulle CPU; YOLO26n è fino al 43% più veloce di YOLO11n.
  • Ottimizzatore MuSGD: ispirato alle tecniche avanzate di addestramento degli LLM (come quelle di Kimi K2 di Moonshot AI), YOLO26 utilizza un ibrido di SGD e Muon per un addestramento stabile e una convergenza rapida.
  • ProgLoss + STAL: la loss progressiva e l'assegnazione delle etichette consapevole degli oggetti piccoli offrono miglioramenti significativi nel rilevamento degli oggetti di piccole dimensioni, fondamentale per casi d'uso come le immagini aeree acquisite da droni e il rilevamento dei difetti di produzione.

Casi d'uso ideali e scenari di distribuzione#

Quando usare PP-YOLOE+#

PP-YOLOE+ è la scelta naturale se investi molto nell'ecosistema Baidu e PaddlePaddle. Se la tua destinazione di distribuzione utilizza hardware specializzato per i modelli Paddle, PP-YOLOE+ offre un'elevata accuratezza e una stretta integrazione. È molto efficace per l'automazione della produzione industriale.

Quando usare YOLOv7#

YOLOv7 resta una buona scelta per l'inferenza generica ad alte prestazioni, soprattutto quando viene distribuito su hardware NVIDIA con TensorRT. La sua integrazione nell'ecosistema PyTorch lo rende molto versatile per la ricerca accademica e le pipeline commerciali personalizzate, ad esempio per la gestione delle folle in tempo reale o la stima della posa.

Altri modelli da considerare#

A seconda delle tue esigenze specifiche, potrebbe interessarti anche confrontare queste architetture con YOLO11, per una flessibilità ampia e pronta per la produzione, oppure con RT-DETR, se il tuo progetto richiede i vantaggi specifici del rilevamento basato su Transformer rispetto alle reti convoluzionali tradizionali.

Conclusione#

PP-YOLOE+ e YOLOv7 hanno entrambi apportato miglioramenti significativi al rilevamento degli oggetti in tempo reale. PP-YOLOE+ eccelle negli ambienti standardizzati attorno a PaddlePaddle, mentre YOLOv7 offre flessibilità e prestazioni tramite l'ecosistema PyTorch.

Tuttavia, con il continuo progresso delle soluzioni di computer vision, è fondamentale utilizzare strumenti moderni. Adottando la Ultralytics Platform e architetture di nuova generazione come YOLO26, gli sviluppatori possono mantenere le proprie applicazioni al passo con i tempi in termini di velocità, accuratezza e facilità d'uso.

Collaboratori

Commenti

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