PP-YOLOE+ 与 RTDETRv2 对比
近年来,计算机视觉发展迅速,尤其是实时目标检测领域。为部署选择合适的架构,可能决定你的应用是运行缓慢、占用大量内存,还是经过优化、响应迅速。本技术对比介绍百度的两款知名模型:基于 CNN 的 PP-YOLOE+ 和基于 Transformer 的 RTDETRv2。文中分析了它们的架构、性能指标和最佳应用场景,并探讨它们与 Ultralytics YOLO26的对比。
PP-YOLOE+:推进 CNN 范式#
PP-YOLOE+ 是在前代模型基础上迭代开发的,展现了传统卷积神经网络 (CNN) 在目标检测领域的潜力。它是一款功能强大的无锚框检测器,继承了 YOLO 系列的基础机制,并针对 PaddlePaddle 生态系统进行了特定优化。
模型详情:
- 作者: PaddlePaddle 作者
- 组织: 百度
- 日期: 2022-04-02
- arXiv:2203.16250
- GitHub: PaddleDetection 代码库
- 文档: PP-YOLOE+ 文档
架构与方法#
PP-YOLOE+ 采用 CSPRepResNet 主干网络和 PAN 风格的特征金字塔网络,有效聚合多尺度特征。它采用无锚框设计,省去了生成锚框时通常需要的启发式调优。其训练方法还使用任务对齐学习 (TAL) 进行标签分配,以便在学习阶段更好地匹配预测结果与真实边界框。
优势与应用场景#
PP-YOLOE+ 的主要优势在于,它在标准服务器硬件上表现稳健,并与百度的工具深度集成。它适用于传统工业工作流,例如制造环境中的静态缺陷检测,这类环境对硬件的限制并不十分严格。
PP-YOLOE+ 虽然准确率出色,但在原生生态系统之外部署时,有时需要额外的转换步骤;而现代 Ultralytics 流程则可直接提供原生导出格式。
RTDETRv2:实时检测 Transformer#
RTDETRv2(实时检测 Transformer 第二版)摆脱纯 CNN 架构,将注意力机制引入实时检测。它旨在结合 Transformer 对全局上下文的理解能力与实际应用所需的低延迟。
模型详情:
- 作者: Wenyu Lv、Yian Zhao、Qinyao Chang、Kui Huang、Guanzhong Wang 和 Yi Liu
- 组织: 百度
- 日期: 2024-07-24
- arXiv:2407.17140
- GitHub: RTDETRv2 代码库
- 文档: RTDETRv2 README
架构与方法#
RTDETRv2 采用混合架构,将用于特征提取的 CNN 主干网络与精简的 Transformer 编码器-解码器相结合。RTDETRv2 的显著特点是原生端到端设计,无需传统的非极大值抑制 (NMS) 后处理。它还支持多尺度检测和复杂场景,并利用自注意力理解相距较远目标之间的空间关系。
优势与应用场景#
Transformer 架构让 RTDETRv2 在需要理解全局上下文的场景中表现出色。不过,与轻量级 CNN 相比,Transformer 模型在训练和推理期间通常都需要多得多的 CUDA 内存。它最适合硬件资源充足的环境,例如在高性能 GPU 服务器上运行的云端视频分析任务。
性能与指标对比#
评估这些模型时,平均精度均值(mAP)与计算成本(以 FLOPs 和推理延迟衡量)之间的权衡至关重要。下表列出了 PP-YOLOE+ 和 RTDETRv2 不同规模模型的关键指标。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| RTDETRv2-s | 640 | 48.1 | - | 5.03 | 20 | 60 |
| RTDETRv2-m | 640 | 51.9 | - | 7.51 | 36 | 100 |
| RTDETRv2-l | 640 | 53.4 | - | 9.76 | 42 | 136 |
| RTDETRv2-x | 640 | 54.3 | - | 15.03 | 76 | 259 |
RTDETRv2 虽然 mAP 出色,但参数量和 FLOPs 更高;希望在资源受限的边缘设备上部署的开发者,往往会受制于 Transformer 层通常较高的内存需求。
用例与建议#
在 PP-YOLOE+ 和 RT-DETR 之间做出选择,取决于你的具体项目需求、部署限制和生态系统偏好。
何时选择 PP-YOLOE+#
PP-YOLOE+ 适用于:
- 集成 PaddlePaddle 生态系统:已有基于百度 PaddlePaddle框架和工具构建基础设施的组织。
- Paddle Lite 边缘部署:部署到专门针对 Paddle Lite 或 Paddle 推理引擎进行了高度优化的推理内核的硬件上。
- 高精度服务端检测:在强大的 GPU 服务器上优先追求最高检测准确率,且不受框架依赖限制的场景。
何时选择 RT-DETR#
以下情况推荐使用 RT-DETR:
- 基于 Transformer 的检测研究:探索注意力机制和 Transformer 架构,以实现无需 NMS 的端到端目标检测。
- 对延迟要求灵活的高精度场景:检测准确率至关重要,且可以接受略高推理延迟的应用。
- 大型目标检测:场景中的目标以中大型为主,此时 Transformer 的全局注意力机制能够发挥天然优势。
何时选择 Ultralytics (YOLO26)#
对于大多数新项目,Ultralytics YOLO26 能提供性能与开发者体验的最佳组合:
- 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
- 仅限 CPU 的环境:没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),优势十分明显。
- 小目标检测:适用于无人机航拍影像等具有挑战性的场景,或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。
Ultralytics 的优势:认识 YOLO26#
PP-YOLOE+ 和 RTDETRv2 都是重要的里程碑,但现代开发者需要一个兼顾高性能与易用性的生态系统。Ultralytics 平台和 YOLO26 模型正是为此而设计。
YOLO26 于 2026 年 1 月发布,专为边缘优先的视觉 AI 而打造。它解决了旧架构在部署中遇到的障碍,同时在速度和精度方面都有所提升。
架构创新#
YOLO26 为传统 CNN 和大型 Transformer 带来了多项增强:
- 端到端无 NMS 设计:与 RTDETRv2 一样,YOLO26 支持原生端到端推理。借助可选的一对一检测头(
nms=False),它跳过 NMS 后处理,实现更快、更简单的部署并减少延迟抖动,非常适合实时机器人和自主系统。 - CPU 推理速度最高提升 43%:通过架构优化,YOLO26 在缺少独立 GPU 的边缘设备上显著优于竞品,YOLO26n 的 CPU 速度最高比 YOLO11n 快 43%,是物联网和智慧城市应用的理想选择。
- MuSGD 优化器:受 LLM 训练创新启发,YOLO26 使用 SGD 和 Muon 的混合方案。这能让训练更稳定、收敛更快,大幅减少 GPU 训练时长。
- ProgLoss + STAL:渐进式损失与小目标感知标签分配显著提升了小目标识别能力。PP-YOLOE+ 等模型过去在这方面表现不佳,因此这些改进对航空影像和无人机应用至关重要。
- 移除 DFL:移除分布焦点损失可简化导出流程,提升模型在各种边缘设备和低功耗设备上的兼容性。
与专用目标检测器不同,YOLO26 用途广泛,支持实例分割、分类、姿态估计和定向边界框 (OBB)。它还提供针对性的增强功能,例如用于姿态估计的 RLE 和用于 OBB 的专用角度损失。
易用性#
采用 RTDETRv2 等复杂架构的一大缺点是学习曲线陡峭,集成流程也不连贯。Ultralytics 生态系统通过直观的 Python API 和网页版 Ultralytics 平台,将这些复杂性抽象化。
无论你是使用自定义数据集训练,还是快速运行推理,整个流程都很简单:
from ultralytics import RTDETR, YOLO
# 初始化 YOLO26 模型
model_yolo = YOLO("yolo26n.pt")
# 或者,通过同样简单的 API 初始化 RT-DETR 模型
model_rtdetr = RTDETR("rtdetr-l.pt")
# 运行实时推理
results = model_yolo("https://ultralytics.com/images/zidane.jpg")
results[0].show()
# 用一行代码导出模型,以便部署到边缘设备
model_yolo.export(format="engine", quantize=16)Ultralytics YOLO 模型通常内存需求较低,因此与基于 Transformer 的同类模型相比,你可以更快完成训练,并部署到成本更低的硬件上。持续开发和详尽文档也有助于保持生产流水线稳定。
对于正在探索替代方案的团队,YOLO11仍是生态系统中支持完善、功能出色的前代模型,可为现有硬件集成提供可靠基线。你可能也会发现 YOLO11 与 RT-DETR 的对比很有参考价值。
总结#
PP-YOLOE+ 和 RTDETRv2 分别为计算机视觉的发展做出了重要贡献,证明了先进 CNN 流水线和实时 Transformer 的可行性。不过,对于希望在 2026 年部署稳健、通用且经过优化的计算机视觉应用的组织,推荐使用 Ultralytics YOLO26。它可选的无 NMS 推理、更快的 CPU 推理速度和精简的生态系统,能帮助开发者快速从构想到可扩展的生产部署。
评论
提出问题、分享结果,或帮助其他人。