Começar

YOLO26 vs PP-YOLOE+

Os modelos de detecção de objetos em tempo real evoluíram rapidamente, e os engenheiros que escolhem um modelo para implantação precisam comparar velocidade, precisão e ferramentas. Esta página compara o Ultralytics YOLO26 e o PP-YOLOE+ em termos de arquitetura, metodologias de treinamento, métricas de desempenho e cenários ideais de implantação no mundo real.

Origens e metadados dos modelos#

Entender o contexto dessas arquiteturas de detecção de objetos ajuda a contextualizar suas filosofias de projeto e os ambientes a que se destinam.

Visão geral do YOLO26

Lançado em janeiro de 2026, o YOLO26 é o modelo YOLO mais recente da Ultralytics e a opção recomendada para novos projetos. Ele foi projetado para implantação de IA de borda, com dimensões reduzidas, inferência opcional de ponta a ponta e alta velocidade na CPU e na GPU.

Visão geral do PP-YOLOE+

Desenvolvido como uma evolução da série PP-YOLO, o PP-YOLOE+ é um detector sem âncoras otimizado para o ecossistema PaddlePaddle. Ele usa uma rede backbone CSPRepResNet e uma cabeça ET para melhorar as métricas de detecção padrão.

Saiba mais sobre o PP-YOLOE+

Inovações arquiteturais#

As diferenças na forma como esses modelos processam dados visuais afetam seus requisitos de memória, a estabilidade do treinamento e a latência de inferência.

YOLO26: detecção nativamente ponta a ponta#

O YOLO26 apresenta várias mudanças arquitetônicas projetadas para simplificar a implantação de modelos:

  • Design de ponta a ponta sem NMS: com base em conceitos introduzidos inicialmente no YOLOv10, o YOLO26 oferece inferência nativa de ponta a ponta que ignora o pós-processamento de supressão não máxima (NMS) por meio de sua cabeça opcional one-to-one (nms=False). Isso reduz a variação da latência e simplifica os pipelines de implantação.
  • Remoção do DFL: a remoção da Distribution Focal Loss (DFL) simplifica a cabeça de detecção, facilitando a exportação para formatos como TensorRT e CoreML.
  • Otimizador MuSGD: inspirado no Kimi K2 da Moonshot AI, o YOLO26 traz inovações de treinamento de LLM para a visão computacional. O otimizador híbrido MuSGD (SGD + Muon) proporciona treinamento mais estável e convergência mais rápida.
  • ProgLoss + STAL: a Progressive Loss e a atribuição de rótulos com consciência de alvos pequenos (STAL) melhoram o reconhecimento de objetos pequenos, tornando a arquitetura eficaz para imagens de drones e aplicações agrícolas.

PP-YOLOE+: uma abordagem centrada no Paddle#

O PP-YOLOE+ usa um design sem âncoras voltado à alta precisão em hardware de servidor padrão. Sua rede backbone CSPRepResNet melhora a extração de características. No entanto, como depende de operações específicas da pilha de aprendizado profundo da Baidu, modificar a rede ou exportá-la para dispositivos de borda com recursos limitados pode ser mais complexo do que com as estruturas da Ultralytics.

Comparação de desempenho e métricas#

O PP-YOLOE+ oferece precisão competitiva, mas o YOLO26 alcança mAP mais alto com menor latência no T4 com TensorRT em todos os tamanhos da tabela abaixo; por exemplo, 57,5 contra 54,7 mAP e 11,8 contra 14,3 ms nos modelos x.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
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
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

As otimizações para dispositivos de borda e a remoção do DFL tornam o YOLO26n até 43% mais rápido na CPU do que o YOLO11n. As velocidades do PP-YOLOE+ na CPU com ONNX não são informadas aqui, então compare os dois modelos no dispositivo de destino, como um Raspberry Pi ou outra unidade de computação de borda.

Eficiência de memória

Ao comparar arquiteturas de modelos, observe que os modelos Ultralytics YOLO costumam usar menos memória durante o treinamento do que os modelos baseados em Transformer, o que os torna práticos para prototipagem em GPUs para consumidores.

A vantagem do ecossistema Ultralytics#

O PP-YOLOE+ é um modelo capaz, mas a experiência de desenvolvimento é bastante diferente. O ecossistema integrado da Ultralytics abrange todo o fluxo de trabalho de profissionais de IA de visão.

  1. Facilidade de uso: uma API Python simples abstrai a complexidade dos pipelines de dados e dos ciclos de treinamento, com o apoio de documentação abrangente e mantida ativamente.
  2. Versatilidade: ao contrário do PP-YOLOE+, voltado principalmente à detecção de objetos, o YOLO26 oferece suporte à segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB) com a mesma API.
  3. Eficiência do treinamento: os pesos pré-treinados são baixados automaticamente, e os aumentos de dados integrados permitem um treinamento eficiente que costuma exigir menos memória CUDA e tempo do que as estruturas mais antigas.

Exemplo de código: simplicidade em ação#

O exemplo a seguir mostra como iniciar um projeto com a API da Ultralytics:

from ultralytics import YOLO

# Carrega um modelo YOLO26 nano pré-treinado para obter o melhor desempenho na borda
model = YOLO("yolo26n.pt")

# Treina o modelo com o conjunto de dados COCO8
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Executa inferência sem NMS em uma imagem-alvo
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# Exporta para o formato ONNX para implantação
model.export(format="onnx")

Aplicações ideais no mundo real#

A escolha entre YOLO26 e PP-YOLOE+ depende, em grande parte, das restrições do seu ambiente de produção.

Quando implantar o PP-YOLOE+:

  • Integração com o ecossistema Baidu: projetos desenvolvidos na infraestrutura PaddlePaddle ou em ambientes padronizados com a pilha de software da Baidu.
  • Processamento em lote no servidor: Cenários executados em hardware de nível empresarial, nos quais a oscilação da latência causada pelo NMS é menos preocupante.

Quando implantar o YOLO26:

  • Dispositivos de borda e IoT: a maior velocidade do YOLO26 na CPU o torna uma ótima opção para câmeras inteligentes, drones e robótica de baixo consumo.
  • Implantações críticas em termos de tempo: o modo opcional de inferência sem NMS (nms=False) oferece inferência estável e de baixa latência, importante para pesquisa em direção autônoma e controle de qualidade em fabricação em alta velocidade.
  • Projetos multitarefa: quando um projeto combina detecção de objetos com máscaras de segmentação ou pontos-chave de estimativa de pose, a estrutura unificada do YOLO26 dá conta de tudo.

Casos de uso e recomendações#

A escolha entre YOLO26 e PP-YOLOE+ depende dos requisitos específicos do seu projeto, das restrições de implantação e das preferências de ecossistema.

Quando escolher o YOLO26#

O YOLO26 é uma ótima opção para:

  • Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento com supressão não máxima.
  • Ambientes apenas com CPU: Dispositivos sem aceleração por GPU dedicada, nos quais a inferência em CPU até 43% mais rápida de YOLO26n em comparação com YOLO11n oferece uma vantagem decisiva.
  • Detecção de objetos pequenos: cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, nos quais ProgLoss e STAL melhoram a precisão na detecção de objetos pequenos.

Quando escolher PP-YOLOE+#

O PP-YOLOE+ é recomendado para:

  • Integração com o ecossistema PaddlePaddle: Organizações com infraestrutura existente baseada no framework e nas ferramentas do PaddlePaddle do Baidu.
  • Implantação de borda com Paddle Lite: Implantação em hardware com kernels de inferência altamente otimizados especificamente para o Paddle Lite ou o mecanismo de inferência Paddle.
  • Detecção de alta precisão no servidor: Cenários que priorizam a precisão máxima de detecção em servidores com GPUs potentes, nos quais a dependência de um framework não é uma preocupação.

Explorando outras arquiteturas#

Para uma visão mais ampla, considere o YOLO11, a geração anterior de modelos da Ultralytics, que continua amplamente usado em produção. Para detecção baseada em Transformer, o RT-DETR é uma alternativa, embora exija mais memória durante o treinamento.

Com o otimizador MuSGD, ProgLoss + STAL e a inferência opcional sem NMS, o YOLO26 é a opção recomendada para soluções de IA de visão eficientes e escaláveis.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.