Inizia

YOLOv8 vs PP-YOLOE+

Nel campo in rapida evoluzione della visione artificiale, scegliere il modello giusto per il rilevamento di oggetti è fondamentale per bilanciare velocità di inferenza e accuratezza. Due modelli di spicco che hanno avuto un impatto significativo sul settore sono Ultralytics YOLOv8 e PP-YOLOE+. Questa guida offre un confronto tecnico per aiutare sviluppatori e ingegneri del machine learning a comprendere le particolarità delle loro architetture, le metriche di prestazione e gli scenari di distribuzione ideali.

Ultralytics YOLOv8: lo standard versatile dell’ecosistema#

Introdotto da Ultralytics, YOLOv8 è diventato rapidamente molto diffuso nelle applicazioni di visione in produzione, basandosi su anni di ricerca su YOLO per offrire prestazioni elevate in molteplici attività.

Innovazioni architetturali e versatilità#

YOLOv8 presenta un design senza anchor e integra una testa disaccoppiata che elabora separatamente le attività di classificazione e regressione. Questo perfezionamento strutturale migliora la rappresentazione delle caratteristiche e accelera la convergenza durante l'addestramento.

A differenza di molti modelli specializzati, YOLOv8 supporta più attività. Oltre al rilevamento di bounding box, la stessa architettura e API unificata supporta nativamente la segmentazione di istanze, la classificazione di immagini, la stima della posa e le bounding box orientate (OBB).

Sviluppo semplificato

L'ecosistema unificato Ultralytics permette agli sviluppatori di passare dal rilevamento alla segmentazione e alla stima della posa modificando i pesi del modello, riducendo il debito tecnico.

PP-YOLOE+: rilevamento anchor-free in PaddlePaddle#

PP-YOLOE+ è un'evoluzione delle precedenti iterazioni di PP-YOLO, progettata per funzionare in modo efficiente con il framework PaddlePaddle di Baidu.

Scopri di più su PP-YOLOE+

Focus architetturale#

PP-YOLOE+ ha introdotto il backbone CSPRepResNet e implementato l'Efficient Task-aligned Head (ET-head) per migliorare l'accuratezza del rilevamento. Si basa in larga misura sul framework di deep learning PaddlePaddle. Pur ottenendo un'elevata accuratezza su dataset di benchmark standard come il dataset COCO, la sua implementazione è legata all'ecosistema PaddlePaddle, il che può rendere difficile integrarla nelle pipeline standard PyTorch o TensorFlow, diffuse nella più ampia community dell'IA.

Confronto delle prestazioni e delle metriche#

Quando si distribuiscono modelli su dispositivi edge o server cloud, è fondamentale bilanciare accuratezza (mAP), velocità e numero di parametri. I modelli Ultralytics sono noti per i bassi requisiti di memoria in fase di addestramento e l'inferenza veloce.

Di seguito è riportata una tabella di confronto dettagliata dei modelli valutati su COCO val2017.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
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

Analisi dei compromessi#

PP-YOLOE+x supera di poco YOLOv8x in mAP (54,7 contro 53,9), ma richiede oltre 30 milioni di parametri aggiuntivi. Nelle dimensioni small e medium le due famiglie hanno prestazioni simili: PP-YOLOE+ usa meno FLOPs e, in questa tabella, solo YOLOv8 riporta le velocità ONNX su CPU. YOLOv8n, leggero, richiede solo 3,2 milioni di parametri e 8,7B FLOPs, risultando il modello più piccolo di questo confronto, anche se PP-YOLOE+t raggiunge una mAP superiore (39,9 contro 37,3) con 4,85 milioni di parametri.

I modelli YOLO usano in genere anche meno memoria durante l'addestramento rispetto alle grandi architetture basate su Transformer. I modelli con un elevato consumo di memoria CUDA richiedono spesso hardware costoso, mentre YOLOv8 si addestra in modo efficiente su GPU consumer.

Ecosistema, facilità d'uso e distribuzione#

L'esperienza utente è una delle principali differenze tra queste architetture.

Ultralytics Platform e il pacchetto Python costituiscono un ecosistema ben mantenuto che semplifica le operazioni di machine learning. Offrono un'API semplice, documentazione dettagliata e strumenti nativi per la registrazione dei dati, l'ottimizzazione degli iperparametri e l'esportazione multipiattaforma. Che tu debba distribuire tramite ONNX, TensorRT o CoreML, Ultralytics gestisce la conversione.

PP-YOLOE+, invece, richiede spesso una conoscenza approfondita del framework PaddlePaddle. Convertire questi modelli per eseguirli in modo efficiente su GPU NVIDIA standard o su dispositivi edge al di fuori dell'ecosistema Paddle può richiedere diversi passaggi, in assenza dell'automazione dell'esportazione disponibile negli strumenti Ultralytics.

Efficienza dell'addestramento con Ultralytics#

L'addestramento di un modello Ultralytics richiede pochissimo codice boilerplate. L'esempio seguente addestra un modello YOLOv8 in Python e lo esporta per TensorRT:

from ultralytics import YOLO

# Carica un modello YOLOv8 small preaddestrato
model = YOLO("yolov8s.pt")

# Addestra il modello sul dataset di esempio COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Esporta rapidamente il modello addestrato per la distribuzione con TensorRT
model.export(format="engine", device=0)

Casi d'uso e consigli#

La scelta tra YOLOv8 e PP-YOLOE+ dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze relative all'ecosistema.

Quando scegliere YOLOv8#

YOLOv8 è un'ottima scelta per:

  • Deployment versatile multi-attività: progetti che richiedono un modello collaudato per il rilevamento, la segmentazione, la classificazione e la stima della posa nell'ecosistema Ultralytics.
  • Sistemi di produzione consolidati: ambienti di produzione esistenti già basati sull’architettura YOLOv8, con pipeline di distribuzione stabili e ben testate.
  • Ampio supporto della community e dell’ecosistema: applicazioni che traggono vantaggio dagli estesi tutorial di YOLOv8, dalle integrazioni di terze parti e dalle risorse della community attiva.

Quando scegliere PP-YOLOE+#

PP-YOLOE+ è consigliato per:

  • Integrazione nell'ecosistema PaddlePaddle: organizzazioni con infrastrutture esistenti basate 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 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 un’inferenza costante e a bassa latenza, senza la complessità della post-elaborazione con Non-Maximum Suppression (NMS).
  • Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, sui quali l'inferenza CPU di YOLO26, fino al 43% più rapida (YOLO26n rispetto a YOLO11n), offre un vantaggio decisivo.
  • Rilevamento di oggetti piccoli: scenari impegnativi come le immagini aeree da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano la precisione sugli oggetti minuscoli.

Uno sguardo al futuro: i vantaggi di YOLO26#

Per le nuove applicazioni, Ultralytics YOLO26, rilasciato a gennaio 2026, supera YOLOv8 e YOLO11 grazie alle seguenti funzionalità:

  • Progettazione end-to-end senza NMS: la testa opzionale uno-a-uno di YOLO26 (nms=False) elimina la necessità della post-elaborazione NMS, riducendo la variabilità della latenza e semplificando la logica di distribuzione.
  • Ottimizzatore MuSGD: portando le tecniche di addestramento degli LLM nell'IA visiva, questo ibrido di SGD e Muon offre un addestramento più stabile e una convergenza più rapida.
  • Inferenza su CPU fino al 43% più veloce: grazie alla rimozione di Distribution Focal Loss (DFL) e a una testa di rilevamento più leggera, YOLO26n è fino al 43% più veloce di YOLO11n su CPU, risultando adatto alle applicazioni IoT e mobili.
  • ProgLoss + STAL: Progressive Loss e l'assegnazione delle etichette attenta agli oggetti piccoli (STAL) migliorano il rilevamento degli oggetti piccoli, un requisito fondamentale per l'analisi con droni e le immagini aeree.
Consiglio per l'aggiornamento

YOLOv8 resta un'opzione solida e ben supportata, ma YOLO26 è l'architettura consigliata per i nuovi progetti aziendali e di ricerca, grazie a maggiore accuratezza, inferenza su CPU più veloce ed elaborazione end-to-end nativa.

Conclusione#

YOLOv8 e PP-YOLOE+ hanno contribuito al progresso del rilevamento in tempo reale. Per la maggior parte degli sviluppatori e dei ricercatori, tuttavia, Ultralytics YOLOv8 e il suo successore YOLO26 sono la scelta più pratica: un'API intuitiva, una community open source attiva, requisiti di memoria inferiori durante l'addestramento e un framework multi-task unificato semplificano il percorso dalla creazione del dataset alla distribuzione in produzione.

Commenti1

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

  1. godm4352GitHub(modificato)

    Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.