YOLOX vs PP-YOLOE+
Quando progetti una solida pipeline di visione artificiale, scegliere il modello di rilevamento di oggetti adatto è una decisione fondamentale. Il panorama dei rilevatori di oggetti in tempo reale è altamente competitivo, con numerose architetture che puntano al miglior equilibrio tra velocità di inferenza e accuratezza del rilevamento. Questo confronto tecnico valuta due modelli di spicco, YOLOX e PP-YOLOE+, esaminandone le architetture, le metodologie di addestramento e le metriche di prestazione per aiutare sviluppatori e ricercatori a scegliere lo strumento giusto per i propri ambienti di distribuzione.
Innovazioni e progettazione architetturale#
Entrambi i modelli sono stati progettati per affrontare problemi specifici delle prime versioni di YOLO, ma adottano approcci diversi al compromesso tra velocità e accuratezza.
YOLOX: un ponte tra ricerca e industria#
Sviluppato da Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun presso Megvii, YOLOX è stato rilasciato il 18 luglio 2021. Ha segnato un cambiamento significativo nella famiglia YOLO, adottando interamente un design senza anchor. Puoi consultare la ricerca alla base del modello nel loro articolo su arXiv ufficiale e il codice sorgente originale nel repository GitHub di YOLOX.
YOLOX integra una testa disaccoppiata, che separa le attività di classificazione e regressione e migliora significativamente la velocità di convergenza durante l'addestramento. Inoltre, ha introdotto strategie avanzate di assegnazione delle etichette, come SimOTA, per assegnare dinamicamente i campioni positivi. Questo rende il modello efficiente e le sue varianti più piccole sono adatte agli ambienti di AI edge, dove le risorse di calcolo sono molto limitate.
PP-YOLOE+: rilevamento industriale ad alte prestazioni#
Introdotto dagli autori di PaddlePaddle presso Baidu il 2 aprile 2022, PP-YOLOE+ è un'evoluzione ottimizzata della serie PP-YOLO. Descritto nella loro pubblicazione su arXiv, PP-YOLOE+ è profondamente integrato nell'ecosistema Baidu e richiede il framework PaddlePaddle. Le configurazioni del modello sono disponibili nel repository GitHub di PaddleDetection.
PP-YOLOE+ si basa su un backbone CSPRepResNet e usa una testa Efficient Task-aligned (ET-head) insieme al Task Alignment Learning (TAL). Questa architettura ottiene una precisione media (mAP) elevata sul dataset COCO, risultando una scelta solida per il rilevamento dei difetti industriali e l'elaborazione intensiva lato server, dove l'accuratezza ha la priorità rispetto al numero minimo di dipendenze.
Benchmark delle prestazioni#
Per il deployment è essenziale capire come si comportano questi modelli a scale diverse. La tabella seguente riporta le metriche principali, tra cui mAP e le velocità di inferenza dopo l'esportazione in TensorRT.
| Modello | dimensione (pixel) | mAPval50-95 | Velocità CPU ONNX (ms) | Velocità T4 TensorRT10 (ms) | parametri (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOXnano | 416 | 25.8 | - | - | 0.91 | 1.08 |
| YOLOXtiny | 416 | 32.8 | - | - | 5.06 | 6.45 |
| YOLOXs | 640 | 40.5 | - | 2.56 | 9.0 | 26.8 |
| YOLOXm | 640 | 46.9 | - | 5.43 | 25.3 | 73.8 |
| YOLOXl | 640 | 49.7 | - | 9.04 | 54.2 | 155.6 |
| YOLOXx | 640 | 51.1 | - | 16.1 | 99.1 | 281.9 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
PP-YOLOE+ è più accurato di YOLOX a tutte le dimensioni comparabili e usa meno FLOPs a partire dalla dimensione s; PP-YOLOE+x raggiunge l'accuratezza complessiva più alta. YOLOX, tuttavia, offre varianti molto leggere (Nano e Tiny), adatte ai microcontrollori a basso consumo e all'hardware mobile meno recente.
Casi d'uso e consigli#
La scelta tra YOLOX e PP-YOLOE+ dipende dai requisiti specifici del tuo progetto, dai vincoli di deployment e dalle preferenze relative all'ecosistema.
Quando scegliere YOLOX#
YOLOX è una scelta valida per:
- Ricerca sul rilevamento senza anchor: Ricerca accademica che usa l'architettura pulita e senza anchor di YOLOX come riferimento per sperimentare nuove head di rilevamento o funzioni di perdita.
- Dispositivi edge ultraleggeri: Implementazione su microcontrollori o hardware mobile legacy, dove le dimensioni estremamente ridotte della variante YOLOX-Nano (0,91 M di parametri) sono fondamentali.
- Studi sull'assegnazione delle etichette SimOTA: Progetti di ricerca che analizzano le strategie di assegnazione delle etichette basate sul trasporto ottimale e il loro impatto sulla convergenza dell'addestramento.
Quando scegliere PP-YOLOE+#
PP-YOLOE+ è consigliato 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 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.
Il vantaggio di Ultralytics: ecco YOLO26#
Sebbene YOLOX e PP-YOLOE+ offrano vantaggi distinti, la rapida evoluzione dell'AI richiede strumenti che combinino elevata accuratezza e facilità d'uso. È qui che i modelli Ultralytics, in particolare Ultralytics YOLO26, si distinguono dai vecchi repository di ricerca.
Rilasciato a gennaio 2026, YOLO26 definisce un nuovo standard per il moderno rilevamento di oggetti e altre attività di visione, offrendo un'esperienza di sviluppo semplificata.
Perché gli sviluppatori scelgono YOLO26#
- Design end-to-end senza NMS: basandosi sull'addestramento senza NMS che YOLOv10 ha introdotto nei modelli YOLO, YOLO26 supporta l'inferenza end-to-end nativa. Saltando il post-processing NMS con la sua head one-to-one opzionale (
nms=False), garantisce una latenza costante e semplifica le pipeline di esportazione per gli ambienti edge. - Ottimizzazione dell'addestramento: l'ottimizzatore MuSGD, una combinazione di SGD e Muon (ispirata a metodologie per LLM come Kimi K2 di Moonshot AI), migliora la stabilità dell'addestramento e la velocità di convergenza. YOLO26 utilizza anche ProgLoss + STAL (perdita progressiva e assegnazione delle etichette attenta agli oggetti piccoli) per migliorare il rilevamento degli oggetti piccoli, una funzionalità essenziale per le applicazioni che coinvolgono immagini aeree e robotica.
- Efficienza hardware: rimuovendo la Distribution Focal Loss (DFL), YOLO26 semplifica la testa di rilevamento e il grafo di esportazione. YOLO26n offre un'inferenza su CPU fino al 43% più veloce rispetto a YOLO11n, risultando una scelta valida per i dispositivi privi di accelerazione GPU dedicata.
- Versatilità: a differenza di PP-YOLOE+, che si concentra esclusivamente sul rilevamento, YOLO26 offre un supporto unificato per numerose attività. Integra una funzione di perdita specializzata per la segmentazione semantica nella segmentazione di istanze, la stima della log-verosimiglianza residua (RLE) per una stima della posa accurata e una funzione di perdita specializzata per l'angolo nei riquadri di delimitazione orientati (OBB).
Integrazione nell'ecosistema#
Ultralytics evita installazioni complesse dei framework. Usando l'API Python unificata o l'intuitiva piattaforma Ultralytics, puoi addestrare, convalidare ed esportare modelli con poche righe di codice.
from ultralytics import YOLO
# Carica il modello YOLO26 small
model = YOLO("yolo26s.pt")
# Addestra il modello su un dataset personalizzato con un consumo minimo di memoria CUDA
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Esegui l'inferenza
predictions = model("https://ultralytics.com/images/bus.jpg")
# Esporta nativamente in ONNX, sfruttando appieno l'architettura senza NMS
model.export(format="onnx", nms=False)Per chi valuta altre architetture solide nell'ecosistema Ultralytics, YOLO11 resta una scelta affidabile per le distribuzioni esistenti, mentre il modello basato su Transformer RT-DETR offre funzionalità efficaci a chi cerca soluzioni basate sull'attenzione.
Riepilogo#
La scelta tra YOLOX e PP-YOLOE+ spesso dipende dai vincoli del framework principale: potresti preferire la flessibilità basata su PyTorch o la profonda integrazione con PaddlePaddle di Baidu. Per le organizzazioni che pianificano una nuova infrastruttura AI, tuttavia, l'alternativa consigliata è Ultralytics YOLO26. Con inferenza opzionale senza NMS, un ingombro di memoria ridotto e un ampio supporto per le attività, YOLO26 aiuta i team a realizzare applicazioni di visione artificiale veloci ed efficienti.
Commenti6
Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.
UltralyticsAssistantUltralytics
👋 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
ultralyticspackage for optimal performance and features. Upgrade with the following command:pip install -U ultralyticsThis 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! 😊
Glenn JocherUltralytics(modificato)@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.
Amine-Torki
"YOLOv8: The latest iteration in the YOLO series" Yeah another article written by ChatGPT, Ultralytics isn't what it used to be...
-1
Glenn JocherUltralytics(modificato)@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.
Amine-Torki(modificato)
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.
Glenn JocherUltralytics(modificato)