模型比较：用于物体检测的 PP-YOLOE+ 与YOLO11 比较
在选择对象检测计算机视觉模型时，了解不同架构的优缺点至关重要。本页对 PP-YOLOE+ 和Ultralytics YOLO11 这两种最先进的模型进行了详细的技术比较，以帮助您做出明智的决定。
Ultralytics YOLO11：最先进的效率和多功能性
Ultralytics YOLO11 由Ultralytics 的 Glenn Jocher 和 Jing Qiu 合著，于 2024-09-27 发布，是广受赞誉的YOLO 系列的最新迭代产品。它专为实时对象检测而设计，在各种应用中都能出色地兼顾速度和准确性。YOLO11 以之前的YOLO 模型为基础，引入了架构增强功能，提高了性能和多样性，适用于图像分类、实例分割和姿态估计等任务。
结构和主要功能
YOLO11 保持了单级无锚检测模式，优先考虑推理速度。主要架构特点包括
- 高效骨干网：用于快速特征提取的精简主干网。
- 可扩展性：有多种尺寸（n、s、m、l、x）可供选择，以适应从NVIDIA Jetson等边缘设备到云服务器的不同计算需求和部署环境。
- 多功能性：支持物体检测之外的各种计算机视觉任务，为Ultralytics 生态系统提供灵活的解决方案。
性能指标
YOLO11 在速度和精度之间取得了很好的平衡，因此适合实时应用。
- mAP：在 COCO 等数据集上实现一流的平均精度 (mAP)。有关 mAP 和其他评估指标的详细信息，请参阅YOLO 性能指标指南。
- 推理速度：针对快速推理进行了优化，这对于满足流媒体应用中视觉人工智能的实时处理需求至关重要。
- 模型大小：保持模型小巧，便于在资源有限的设备上部署。
优势和劣势
优势：
- 用途广泛，精确度高：适用于各种视觉任务，精度高、速度快。
- 用户友好型生态系统：在Ultralytics 生态系统中实现无缝集成，具有全面的 Python和CLI 使用文档。
- 可扩展部署：多种型号尺寸可确保适应不同的硬件。
弱点
- 计算需求：较大的模型可能需要大量计算，需要强大的硬件才能实现最佳的实时性能。
- 新用户的复杂性：虽然用户界面友好，但微调和理解架构的细微差别可能会给计算机视觉新用户带来学习曲线。
理想的使用案例
YOLO11 非常适合需要高精度实时目标检测的应用：
- 实时视频分析： 排队管理和安防系统等应用可从其速度和精度中获益。
- 边缘人工智能部署：可在Raspberry Pi 等平台上进行高效的设备处理。
- 自主系统：是需要快速准确感知的自动驾驶汽车和机器人的理想选择，这一点在自动驾驶应用中的视觉人工智能中得到了强调。
PP-YOLOE+：精确高效
PP-YOLOE+（PracticalYOLO with Evolved Enhancement）由百度PaddlePaddle 作者开发，于 2022-04-02 发布，旨在以合理的效率实现高精度物体检测。它是 PP-YOLOE 系列的增强版，专注于精度要求极高的工业应用。PP-YOLOE+ 在不大幅牺牲推理速度的情况下优先考虑精度，是 PaddleDetection 模型动物园的一部分。
结构和主要功能
PP-YOLOE+ 还采用了无锚方法，强调精确性和效率。主要特点包括
- 高精度聚焦：经过架构改进，可在物体检测任务中达到顶级精度。
- 高效设计：兼顾精度和高效推理速度，适合要求苛刻的应用。
- PaddlePaddle 集成：利用PaddlePaddle 深度学习框架，受益于其优化和生态系统。
性能指标
PP-YOLOE+ 在保持极具竞争力的速度的同时，精度也非常出色：
- 高 mAP：实现高平均精度（mAP），在 COCO 等基准数据集上表现出极高的精度，详见PP-YOLOE+ 文档。
- 高效推理：在准确性和推理速度之间实现了良好的平衡，适合需要实时分析的工业应用。
- 模型大小：提供各种模型尺寸，以适应不同的计算资源。
优势和劣势
优势：
- 超高精度：优先考虑高检测精度，这对制造过程中的质量检测等精密关键应用至关重要。
- 工业聚焦：非常适合需要可靠、准确的目标检测的工业环境。
- PaddlePaddle 生态系统：受益于PaddlePaddle 框架的生态系统和优化。
弱点
- 生态系统锁定：主要在PaddlePaddle 生态系统内，对于深度嵌入其他框架（如 PyTorchUltralytics YOLO 使用的Ultralytics 。
- 在Ultralytics 环境中功能较少：虽然功能强大，但在Ultralytics 任务多变性框架中的原生集成度不如YOLO11。
理想的使用案例
PP-YOLOE+ 非常适合精度要求极高的应用场合：
- 工业质量控制：需要在制造过程中进行精确缺陷检测和质量保证的应用，如利用计算机视觉改进制造过程。
- 精准农业：作物监测和产量估算等任务，准确的检测会对决策产生影响，这在人工智能推动农业创新中得到了体现。
- 医疗成像：医学图像分析：检测精度对诊断至关重要的医学图像分析，如医学成像中的肿瘤检测。
型号对照表
| 模型 | 尺寸 （像素） |
mAPval 50-95 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (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 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
结论
PP-YOLOE+ 和YOLO11 都是强大的物体检测模型，各自具有独特的优势。YOLO11 在Ultralytics 生态系统中提供了一个多功能、高性能的解决方案，非常适合需要在各种视觉任务中兼顾速度和精度的应用。PP-YOLOE+ 在精确度和效率方面表现出色，尤其适合PaddlePaddle 框架内的用户以及在工业环境中优先考虑精确度的用户。
有兴趣探索Ultralytics 生态系统中其他模式的用户也可以考虑：
- YOLOv8-YOLO 系列中用途广泛、使用方便的机型。
- YOLOv9- 以精确和高效著称。
- YOLO- 通过神经架构搜索设计模型，以优化性能。
- RT-DETR- 实时保护变压器，提供了一种不同的架构方法。
- YOLOv7、YOLOv6 和 YOLOv5-YOLO 系列的前几个版本，每个版本都有自己的性能特点和优势。
