Ultralytics YOLO27：
Get Started

PP-YOLOE+ 与 YOLO26 对比#

在对可扩展、高效且精度出色的目标检测模型的需求推动下，实时计算机视觉领域取得了长足发展。该领域的两种杰出架构是来自 PaddlePaddle 生态系统的强大检测器 PP-YOLOE+，以及重新定义边缘部署和训练效率的最新先进模型 Ultralytics YOLO26。

本指南将全面比较这两种模型，重点介绍它们的架构、性能指标、训练方法和理想使用场景，帮助你为下一个 AI 项目做出明智决策。

技术规格与作者信息#

了解这些模型的起源和设计理念，有助于深入理解它们在现实场景中的应用。

PP-YOLOE+ 详情：

详细了解 PP-YOLOE+

YOLO26 详情：

架构创新#

PP-YOLOE+ 架构#

PP-YOLOE+ 基于前代 PP-YOLOv2 构建，采用专为工业应用量身打造的稳健设计。它利用 CSPRepResNet 主干网络和 ET-head（高效任务对齐头），兼顾速度与精度。PP-YOLOE+ 使用动态标签分配 (TAL)，并与百度的 PaddlePaddle 框架无缝集成，因此针对 T4 和 V100 等 NVIDIA GPU 进行了高度优化。不过，对于深度使用 PyTorch 工作流的开发者而言，它对 PaddlePaddle 生态系统的高度依赖可能带来不便。

YOLO26 架构：边缘优先的变革#

Ultralytics YOLO26 于 2026 年初发布，彻底重新构想了实时检测流程，尤其注重简化部署并提升边缘端效率。

YOLO26 的主要创新包括：

  • 端到端无 NMS 设计：YOLO26 支持原生端到端推理（nms=False），无需进行非极大值抑制 (NMS) 后处理。这项突破最初由 YOLOv10 首创，可确保推理延迟不受场景拥挤程度影响，让部署变得简单得多。
  • 移除 DFL：通过移除分布焦点损失 (DFL)，YOLO26 大幅简化了输出头，从而显著提升了对边缘设备和微控制器的兼容性。
  • CPU 推理速度最高提升 43%：得益于移除 DFL 和结构优化，YOLO26 针对没有专用 GPU 的环境进行了深度优化；与 YOLO11 相比，其 CPU 推理速度最高提升 43%。
  • MuSGD 优化器：受 Moonshot AI 等机构先进 LLM 训练技术的启发，YOLO26 引入了 SGD 与 Muon 的混合方案，为计算机视觉任务带来出色的训练稳定性和更快的收敛速度。
  • ProgLoss + STAL：先进的损失函数专门针对并提升小目标识别能力，这对无人机作业和 IoT 边缘传感器至关重要。
YOLO26 在各类任务上的专项改进

除标准边界框外，YOLO26 还针对所有视觉任务进行了专项升级：通过语义分割损失和多尺度原型方法处理分割，通过残差对数似然估计 (RLE) 处理姿态估计，并通过专用角度损失解决有向边界框 (OBB)检测中的边界问题。

性能与指标#

下表全面展示了不同模型规模下 PP-YOLOE+ 与 YOLO26 的对比。YOLO26 模型在原始速度、参数效率和整体平均精度均值 (mAP)方面均明显占优。

模型尺寸
(像素)		mAP验证集
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
（ms）		参数
(M)		FLOPs
(B)
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
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

注：粗体数值表示同等规模模型对中表现更好的指标。

分析#

  • 内存需求与效率：YOLO26 只需更少的参数和 FLOPs，就能取得更高的 mAP 分数。例如，YOLO26n（Nano）模型仅有 2.4M 个参数，mAP 就达到 40.9，表现超过 PP-YOLOE+t，体积却约为其一半。这意味着训练和部署期间的内存占用都更低。
  • 推理速度：使用 TensorRT 导出后，YOLO26 在延迟指标上表现出色。无 NMS 的一对一输出头（nms=False，用于这些基准测试）确保 T4 GPU 上 1.7ms 的推理时间始终稳定，而 PP-YOLOE+ 的后处理耗时则可能有所波动。

Ultralytics 的优势：生态与易用性#

原始指标固然重要，但开发者体验往往决定项目成败。维护完善的 Ultralytics Platform 生态系统远胜于旧式框架。

  1. 易用性：Ultralytics 抽象掉了复杂的样板代码。只需几行 Python 代码即可训练 YOLO26，无需像 PP-YOLOE+ 那样编写繁杂的配置文件。
  2. 多功能性：PP-YOLOE+ 主要是一种目标检测架构。YOLO26 开箱即支持分割、分类、姿态估计和 OBB。
  3. 训练效率：与 RT-DETR 等大型 Transformer 模型或旧架构相比，Ultralytics YOLO 模型所需的 CUDA 内存要少得多，研究人员因此能够在消费级硬件上训练先进模型。
其他 Ultralytics 模型

YOLO26 代表了当前研究的巅峰，但 Ultralytics 生态系统也包含 YOLO11 和 YOLOv8。这两款模型依然实力强劲、社区支持广泛，非常适合从旧式遗留系统迁移过来的用户。

代码示例：训练 YOLO26#

Ultralytics 的上手过程非常简单。下面是一个可直接运行的示例，展示如何加载、训练和验证 YOLO26 模型：

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 dataset using the new MuSGD optimizer
results = model.train(
    data="coco8.yaml",
    epochs=100,
    imgsz=640,
    batch=16,
    optimizer="MuSGD",  # hybrid SGD + Muon optimizer
)

# Export seamlessly to ONNX for CPU deployment
export_path = model.export(format="onnx")
print(f"Model successfully exported to: {export_path}")

理想应用场景#

何时选择 PP-YOLOE+#

  • 旧版 PaddlePaddle 基础设施：如果企业已经深度融入百度技术栈，并且使用为 Paddle Inference 预先配置的硬件，那么 PP-YOLOE+ 是一个安全、稳定的选择。
  • 亚洲制造业中心：亚洲许多工业视觉流程在自动化缺陷检测中，已经为 PP-YOLOE+ 建立了完善的现有支持。

何时选择 YOLO26#

  • 边缘计算与 IoT：CPU 推理速度提升 43% 且移除了 DFL，使 YOLO26 成为在 Raspberry Pi、手机和嵌入式设备上部署的最佳选择。
  • 拥挤场景与智慧城市： 端到端无 NMS 架构可确保密集环境中的延迟稳定，例如停车管理和交通监控场景，在这些场景中，传统 NMS 会造成瓶颈。
  • 多任务项目：如果你的流程需要跟踪目标、估计人体姿态或生成像素级精准的掩码，YOLO26 都能在一个统一的 Python 软件包中完成这些任务。

结论#

虽然 PP-YOLOE+ 在其特定生态系统中仍是一款实力强劲的检测器，但 YOLO26 的发布改变了行业格局。Ultralytics 将受 LLM 启发的训练优化（MuSGD）与持续优化的无 NMS 架构结合，打造出兼具高精度和易部署特性的模型。对于希望在速度、精度和开发者体验之间取得最佳平衡的现代开发者而言，YOLO26 是明确之选。

贡献者
GLglenn-jocher8PDpderrenger1

评论