在 GitHub 上编辑页面 (EN)

PP-YOLOE+ 与 YOLO26：深度解析实时目标检测架构

实时计算机视觉领域发展迅猛，主要得益于对可扩展、高效且高精度目标检测模型的需求。该领域的两个杰出架构是来自 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前沿模型 Ultralytics YOLO26。

本指南全面比较了这两个模型，重点介绍了它们的架构、性能指标、训练方法和理想用例，旨在帮助你为下一个 AI 项目做出明智的决定。

技术规格与创作团队

了解这些模型背后的起源和设计理念，能为你在实际应用中提供至关重要的背景信息。

PP-YOLOE+ 详情：

了解更多关于 PP-YOLOE+ 的信息

YOLO26 详情：

了解关于 YOLO26 的更多信息

架构创新

PP-YOLOE+ 架构

PP-YOLOE+ 在其前身 PP-YOLOv2 的基础上构建，引入了专为工业应用定制的稳健设计。它利用 CSPRepResNet 主干网络和 ET-head（高效任务对齐头）来平衡速度和 精度。PP-YOLOE+ 采用 动态标签分配 (TAL)，并与百度的 PaddlePaddle 框架无缝集成，使其针对 T4 和 V100 等 NVIDIA GPU 进行了深度优化。然而，对于深耕 PyTorch 工作流程的开发者来说，它对 PaddlePaddle 生态系统的重度依赖可能会带来一些阻碍。

YOLO26 架构：边缘优先的革命

于 2026 年初发布的 Ultralytics YOLO26 彻底重构了实时检测流水线，并将重心放在了部署简易性和边缘计算效率上。

YOLO26 的关键创新包括：

  • 端到端无 NMS 设计： YOLO26 是原生端到端的，完全无需非极大值抑制 (NMS) 后处理。这一突破最早在 YOLOv10 中得到应用，它确保了无论场景拥挤程度如何，推理延迟都能保持一致，从而极大地简化了部署流程。
  • 移除 DFL： 通过移除分布式焦点损失 (DFL)，YOLO26 极大地简化了输出头。这使得它与边缘设备和微控制器的兼容性得到了显著提升。
  • CPU 推理速度提升高达 43%： 得益于 DFL 的移除和结构优化，YOLO26 针对没有专用 GPU 的环境进行了深度优化，与 YOLO11 相比，其在 CPU 上的推理速度提升了高达 43%。
  • MuSGD 优化器： 受 Moonshot AI 等公司先进 LLM 训练技术的启发，YOLO26 引入了 SGD 和 Muon 的混合体。这为计算机视觉任务带来了前所未有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改进了小目标识别，这对 无人机操作 和物联网边缘传感器至关重要。
YOLO26 的任务特定改进

除了标准的边界框外，YOLO26 在所有视觉任务中都引入了特定的升级。它为 分割 使用了语义分割损失和多尺度原型，为 姿态估计 使用了残差对数似然估计 (RLE)，并采用专门的角度损失来解决 旋转边界框 (OBB) 检测中的边界问题。

性能与指标

下表全面展示了 PP-YOLOE+ 与 YOLO26 在各种模型尺寸下的对比。YOLO26 模型在原始速度、参数效率和整体 平均精度均值 (mAP) 方面均占据明显优势。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		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
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9

注：粗体数值突出显示了所有模型中表现最佳的指标。

分析

  • 内存需求和效率： YOLO26 在实现更高 mAP 分数的同时，所需的参数和 FLOPs 显著更少。例如，YOLO26n (Nano) 模型仅用 2.4M 参数就达到了 40.9 mAP，在性能优于 PP-YOLOE+t 模型的同时，模型体积仅为其一半左右。这意味着在 训练 和部署过程中内存占用更低。
  • 推理速度： 当使用 TensorRT 导出时，YOLO26 在延迟指标上表现卓越。得益于 NMS 的移除，其在 T4 GPU 上的 1.7ms 推理时间保持了完美的稳定性，而 PP-YOLOE+ 则受限于可能波动的后处理时间。

Ultralytics 的优势：生态系统与易用性

虽然原始指标很重要，但开发体验往往决定了项目的成败。Ultralytics 平台 提供了一个维护良好的生态系统，其表现完全超越了旧框架。

  1. 易用性： Ultralytics 封装了复杂的样板代码。只需几行 Python 代码即可训练 YOLO26，避免了 PP-YOLOE+ 所需的繁琐配置文件。
  2. 多功能性： PP-YOLOE+ 主要是一个 目标检测 架构。而 YOLO26 开箱即用，支持分割、分类、姿态估计和 OBB。
  3. Training Efficiency: Ultralytics YOLO models require vastly lower CUDA memory compared to bulky transformer models like RT-DETR or older architectures, enabling researchers to train state-of-the-art models on consumer-grade hardware.
其他 Ultralytics 模型

虽然 YOLO26 是目前研究的巅峰之作，但 Ultralytics 生态系统也涵盖了 YOLO11 和 YOLOv8。两者仍然是能力极强的模型，并拥有庞大的社区支持，非常适合从旧系统迁移过来的用户。

代码示例：训练 YOLO26

开始使用 Ultralytics 非常简单。这是一个完全可运行的示例，演示了如何加载、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="auto",  # MuSGD is automatically engaged for YOLO26
)

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

理想用例

何时选择 PP-YOLOE+

  • 遗留的 PaddlePaddle 基础设施： 如果企业已经深度嵌入百度的技术栈，并使用预配置了 Paddle Inference 的硬件，那么 PP-YOLOE+ 是一个安全、稳定的选择。
  • 亚洲制造中心： 亚洲的许多工业视觉流水线在自动化缺陷检测方面对 PP-YOLOE+ 有着稳健且现成的支持。

何时选择 YOLO26

  • 边缘计算和物联网： 43% 的 CPU 推理速度提升和 DFL 的移除，使 YOLO26 成为在 Raspberry Pi、手机和嵌入式设备上进行部署的无可争议的冠军。
  • 拥挤场景和智慧城市： 端到端无 NMS 架构保证了在诸如 停车管理 和交通监控等高密度环境中，当传统的 NMS 可能会造成瓶颈时，仍能保持稳定的延迟。
  • 多任务项目： 如果你的流水线需要跟踪对象、估计人体姿态或生成像素级掩码，YOLO26 可以在同一个统一的 Python 包中完成所有操作。

总结

虽然 PP-YOLOE+ 在其特定生态系统中仍然是一个能力很强的检测器，但 YOLO26 的发布改变了范式。通过将受 LLM 启发的训练优化 (MuSGD) 与经过严苛优化的无 NMS 架构相结合，Ultralytics 创建了一个既高精度又易于部署的模型。对于追求速度、精度和开发体验完美平衡的现代开发者来说，YOLO26 是最终的选择。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher4

评论