Meet YOLO26: next-gen vision AI.

Link to this sectionPP-YOLOE+ 与 YOLO26#

实时计算机视觉领域发展迅猛，这源于对可扩展、高效且高精度目标检测模型的需求。该领域中两个突出的架构是 PP-YOLOE+（来自 PaddlePaddle 生态系统 的强大检测器）和 Ultralytics YOLO26（重新定义了边缘部署和训练效率的最新尖端模型）。

本综合指南对这两个模型进行了比较，重点介绍了它们的架构、性能指标、训练方法和理想用例，以帮助你为下一个 AI 项目做出明智的决定。

Link to this section技术规格与作者信息#

了解这些模型背后的起源和设计理念，能为其实际应用提供关键背景。

PP-YOLOE+ 详情：

了解关于 PP-YOLOE+ 的更多信息

YOLO26 详细信息：

了解更多关于 YOLO26 的信息

Link to this section架构创新#

Link to this sectionPP-YOLOE+ 架构#

PP-YOLOE+ 基于其前身 PP-YOLOv2 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）来平衡速度与 准确性。PP-YOLOE+ 采用了 动态标签分配 (TAL)，并与百度的 PaddlePaddle 框架无缝集成，使其针对 NVIDIA GPU（如 T4 和 V100）进行了高度优化。然而，它对 PaddlePaddle 生态系统的重度依赖可能会给深耕 PyTorch 工作流的开发者带来阻碍。

Link to this sectionYOLO26 架构：边缘优先的革命#

于 2026 年初发布，Ultralytics YOLO26 完全重构了实时检测流水线，极大地强调了部署的简洁性和边缘计算效率。

YOLO26 的主要创新包括：

  • 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，从而显著简化了部署流程。
  • 移除 DFL： 通过移除分布式焦点损失 (DFL)，YOLO26 大幅简化了其输出头。这使得它与边缘设备和微控制器的兼容性大大提高。
  • 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，在 CPU 上的推理速度提升了高达 43%。
  • MuSGD 优化器： 受 Moonshot AI 等先进 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善了小目标识别，这对 无人机操作 和物联网边缘传感器至关重要。
YOLO26 中的任务特定改进

除了标准边界框外，YOLO26 在所有视觉任务中都进行了特定升级。它使用语义分割损失和多尺度原型进行 分割，使用残差对数似然估计 (RLE) 进行 姿态估计，并使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。

Link to this section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) 方面均占据绝对优势。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(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：粗体数值突出了所有模型中性能最好的指标。

Link to this section分析#

  • 内存需求和效率： YOLO26 需要更少的参数和 FLOPs 即可达到更高的 mAP 分数。例如，YOLO26n (Nano) 模型仅用 2.4M 参数即可实现 40.9 mAP，在性能上超越了 PP-YOLOE+t 模型，且体积仅为后者的一半左右。这意味着在 训练 和部署过程中占用的内存更低。
  • 推理速度： 使用 TensorRT 导出时，YOLO26 在延迟指标上表现卓越。移除 NMS 确保了在 T4 GPU 上 1.7ms 的推理时间能够保持完美稳定，而 PP-YOLOE+ 则依赖于可能不稳定的后处理时间。

Link to this sectionUltralytics 的优势：生态系统与易用性#

虽然原始指标很重要，但开发者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，其水平完全超越了旧框架。

  1. 易用性： Ultralytics 抽象了复杂的样板代码。训练 YOLO26 仅需几行 Python 代码，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。YOLO26 则开箱即用地支持分割、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 是当前研究的顶峰，但 Ultralytics 生态系统也容纳了 YOLO11 和 YOLOv8。两者依然是非常强大的模型，拥有庞大的社区支持，非常适合从旧的遗留系统迁移过来的用户。

Link to this section代码示例：训练 YOLO26#

上手 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}")

Link to this section理想使用场景#

Link to this section何时选择 PP-YOLOE+#

  • 遗留的 PaddlePaddle 基础设施： 如果企业已经深入集成在百度的技术栈中，并使用为 Paddle Inference 预配置的硬件，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+ 有着强大且现有的支持。

Link to this section何时选择 YOLO26#

  • 边缘计算和物联网： CPU 推理速度提升 43% 以及 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 停车管理 和交通监控等高密度环境中具有稳定的延迟，而传统的 NMS 在这些场景下会导致瓶颈。
  • 多任务项目： 如果你的流水线需要跟踪目标、估计人体姿态或生成像素级掩码，YOLO26 可以在一个统一的 Python 包中完成所有这些任务。

Link to this section结论#

虽然 PP-YOLOE+ 在其特定生态系统中仍然是一个功能强大的检测器，但 YOLO26 的发布已经改变了范式。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。对于寻求速度、准确性和开发者体验最佳平衡的现代开发者来说，YOLO26 是不二之选。

贡献者
GLglenn-jocher5

评论