YOLOX vs PP-YOLOE+
Ao projetar um pipeline robusto de visão computacional, escolher o modelo adequado de detecção de objetos é uma decisão crucial. O cenário dos detectores de objetos em tempo real é altamente competitivo, com inúmeras arquiteturas buscando o melhor equilíbrio entre velocidade de inferência e precisão de detecção. Esta comparação técnica avalia dois modelos de destaque, YOLOX e PP-YOLOE+, analisando seus designs arquitetônicos, metodologias de treinamento e métricas de desempenho para ajudar desenvolvedores e pesquisadores a escolher a ferramenta certa para seus ambientes de implantação.
Inovações e projeto arquiteturais#
Ambos os modelos foram projetados para resolver problemas específicos de iterações anteriores do YOLO, mas adotam abordagens diferentes para equilibrar velocidade e precisão.
YOLOX: aproximando a pesquisa e a indústria#
Desenvolvido por Zheng Ge, Songtao Liu, Feng Wang, Zeming Li e Jian Sun na Megvii, o YOLOX foi lançado em 18 de julho de 2021. Ele marcou uma mudança significativa na família YOLO ao adotar totalmente um design sem âncoras. Você pode consultar a pesquisa fundamental no artigo oficial do arXiv e o código-fonte original no repositório YOLOX no GitHub.
O YOLOX integra uma cabeça desacoplada, separando as tarefas de classificação e regressão, o que melhora significativamente a velocidade de convergência durante o treinamento. Além disso, introduziu estratégias avançadas de atribuição de rótulos, como o SimOTA, para atribuir amostras positivas dinamicamente. Isso torna o modelo eficiente, e suas menores variantes são adequadas a ambientes de IA de borda, nos quais os recursos computacionais são bastante limitados.
PP-YOLOE+: deteção industrial de alto desempenho#
Apresentado pelos autores do PaddlePaddle na Baidu em 2 de abril de 2022, o PP-YOLOE+ é uma evolução otimizada da série PP-YOLO. Conforme detalhado em sua publicação no arXiv, o PP-YOLOE+ está profundamente integrado ao ecossistema Baidu e requer a estrutura PaddlePaddle. As configurações do modelo estão disponíveis no repositório PaddleDetection no GitHub.
O PP-YOLOE+ depende de uma rede backbone CSPRepResNet e usa uma cabeça Efficient Task-aligned (ET-head) junto com o Task Alignment Learning (TAL). Essa arquitetura alcança uma precisão média média (mAP) elevada no conjunto de dados COCO, sendo uma opção sólida para detecção de defeitos industriais e processamento pesado no servidor, quando a precisão tem prioridade sobre a redução de dependências.
Testes de desempenho#
Compreender o desempenho destes modelos em diferentes escalas é essencial para a implementação. A tabela abaixo apresenta as principais métricas, incluindo mAP e velocidades de inferência após exportação para TensorRT.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (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 |
O PP-YOLOE+ é mais preciso que o YOLOX em todos os tamanhos comparáveis e usa menos FLOPs a partir do tamanho s, enquanto o PP-YOLOE+x alcança a maior precisão geral. O YOLOX, porém, oferece variantes muito leves (Nano e Tiny), adequadas a microcontroladores de baixo consumo e hardware móvel legado.
Casos de uso e recomendações#
A escolha entre YOLOX e PP-YOLOE+ depende dos requisitos específicos do teu projeto, das restrições de implementação e das tuas preferências de ecossistema.
Quando escolher o YOLOX#
O YOLOX é uma ótima opção para:
- Investigação em deteção sem âncoras: Investigação académica que utiliza a arquitetura simples e sem âncoras do YOLOX como referência para experimentar novas cabeças de deteção ou funções de perda.
- Dispositivos de borda ultraleves: Implementações em microcontroladores ou hardware móvel legado, onde o tamanho extremamente reduzido da variante YOLOX-Nano (0,91 milhões de parâmetros) é essencial.
- Estudos sobre atribuição de rótulos SimOTA: Projetos de investigação que analisam estratégias de atribuição de rótulos baseadas em transporte ótimo e o seu impacto na convergência do treino.
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.
Quando escolher Ultralytics (YOLO26)#
Para a maioria dos projetos novos, Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:
- Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento de supressão não máxima (NMS).
- Ambientes somente com CPU: Dispositivos sem aceleração de GPU dedicada, nos quais a inferência na CPU até 43% mais rápida do YOLO26 (YOLO26n contra YOLO11n) oferece uma vantagem decisiva.
- Detecção de objetos pequenos: cenários desafiadores, como imagens aéreas capturadas por drones ou análise de sensores IoT, em que ProgLoss e STAL melhoram a precisão em objetos minúsculos.
A vantagem da Ultralytics: conheça o YOLO26#
Embora o YOLOX e o PP-YOLOE+ ofereçam vantagens distintas, a rápida evolução da IA exige ferramentas que combinem alta precisão com facilidade de uso. É nesse aspecto que os modelos da Ultralytics, especialmente o Ultralytics YOLO26, se destacam em relação a repositórios de pesquisa mais antigos.
Lançado em janeiro de 2026, o YOLO26 estabelece um novo padrão para a detecção de objetos moderna e outras tarefas de visão, com uma experiência de desenvolvimento simplificada.
Por que motivo os programadores escolhem o YOLO26#
- Design de ponta a ponta sem NMS: Com base no treinamento sem NMS que o YOLOv10 introduziu nos modelos YOLO, o YOLO26 oferece suporte nativo à inferência de ponta a ponta. Ao ignorar o pós-processamento de NMS com sua cabeça opcional um-para-um (
nms=False), ele proporciona latência consistente e simplifica os pipelines de exportação para ambientes de borda. - Otimização do treinamento: o otimizador MuSGD, uma combinação de SGD e Muon (inspirada em metodologias de LLM, como o Kimi K2 da Moonshot AI), melhora a estabilidade do treinamento e a velocidade de convergência. O YOLO26 também usa ProgLoss + STAL (perda progressiva e atribuição de rótulos ciente de alvos pequenos) para aprimorar a detecção de objetos pequenos, um recurso essencial para aplicações com imagens aéreas e robótica.
- Eficiência de hardware: ao remover a Distribution Focal Loss (DFL), o YOLO26 simplifica sua cabeça de detecção e o grafo de exportação. O YOLO26n oferece inferência na CPU até 43% mais rápida que o YOLO11n, sendo uma ótima opção para dispositivos sem aceleração dedicada por GPU.
- Versatilidade: ao contrário do PP-YOLOE+, que se concentra estritamente na detecção, o YOLO26 oferece suporte unificado a diversas tarefas. Ele incorpora uma função de perda especializada de segmentação semântica para segmentação de instâncias, Residual Log-Likelihood Estimation (RLE) para estimativa de pose precisa e uma função de perda angular especializada para caixas delimitadoras orientadas (OBB).
Integração com o ecossistema#
A Ultralytics evita instalações complexas de estruturas. Com a API Python unificada ou a intuitiva Ultralytics Platform, você pode treinar, validar e exportar modelos com apenas algumas linhas de código.
from ultralytics import YOLO
# Carrega o modelo YOLO26 pequeno
model = YOLO("yolo26s.pt")
# Treina com um conjunto de dados personalizado e uma utilização mínima de memória CUDA
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Executar inferência
predictions = model("https://ultralytics.com/images/bus.jpg")
# Exporte para ONNX nativamente, aproveitando totalmente a arquitetura sem NMS
model.export(format="onnx", nms=False)Para quem está avaliando outras arquiteturas robustas do ecossistema Ultralytics, o YOLO11 continua sendo uma opção confiável para implantações existentes, enquanto o RT-DETR, baseado em Transformer, oferece recursos sólidos para quem busca soluções baseadas em atenção.
Resumo#
A escolha entre YOLOX e PP-YOLOE+ costuma depender das principais restrições da sua estrutura: se você prefere a flexibilidade baseada em PyTorch ou a integração profunda com o PaddlePaddle da Baidu. Para organizações que planejam uma nova infraestrutura de IA, porém, o Ultralytics YOLO26 é a alternativa recomendada. Com inferência opcional sem NMS, baixo consumo de memória e amplo suporte a tarefas, o YOLO26 ajuda as equipes a criar aplicações de visão computacional rápidas e eficientes.
Comentários6
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
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(editado)@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(editado)@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(editado)
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(editado)