开始使用

PP-YOLOE+ 与 YOLOv10 对比

计算机视觉不断发展,新模型持续提升实时目标检测能力。本技术对比评估了 PP-YOLOE+ 和 YOLOv10,这两种架构能力出色,但面向不同的生态系统。本文还介绍了该领域如何转向统一、易用的工具,例如 Ultralytics Platform 和 YOLO26 模型。

模型简介#

为你的计算机视觉项目选择合适的基础,需要清楚了解各模型在架构上的权衡、部署限制和生态系统支持情况。

PP-YOLOE+ 概述#

PP-YOLOE+ 由百度 PaddlePaddle 团队开发,是 PaddleDetection 生态系统中对早期版本的演进。

优势:PP-YOLOE+ 在深度集成 PaddlePaddle 框架的环境中表现出色。它采用 CSPRepResNet 主干网络,并使用任务对齐标签分配策略(TAL),实现较高的平均精度均值(mAP)。该模型针对工业应用中常见的服务器级 GPU 部署进行了优化。

不足:PP-YOLOE+ 的主要缺点是高度依赖 PaddlePaddle 生态系统,对于习惯使用 PyTorch 的开发者来说可能不够直观。它还需要通过传统的非极大值抑制(NMS)进行后处理,这会增加延迟和部署复杂度。

进一步了解 PP-YOLOE+

YOLOv10 概述#

由清华大学研究人员发布的 YOLOv10 通过从推理流程中移除 NMS,实现了重大的架构转变。

优势:YOLOv10 的突出特点是用于无 NMS 训练的一致双重标签分配。这意味着模型可以原生预测边界框,无需额外的筛选步骤,从而让模型部署在边缘设备上更加简单、快速。它在参数量较少的同时实现了较高精度。

不足:虽然 YOLOv10 在标准二维目标检测方面效率很高,但它原生不支持实例分割和姿态估计等其他重要计算机视觉任务,因此在复杂的多任务流程中的适用性有限。

进一步了解 YOLOv10

正在考虑更先进的替代方案?

如果你正在了解实时检测领域的最新创新,可以考虑用于高精度视觉应用的 YOLO11,或基于 Transformer 的 RT-DETR。

性能与指标对比#

了解这些模型在标准化基准测试中的表现,对于选择合适的架构至关重要。下表比较了它们的尺寸、精度和延迟。

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+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
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4

技术分析#

分析数据后可以发现几个关键趋势。YOLOv10 nano 和 small 型号针对边缘效率进行了优化,其中 YOLOv10n 仅使用 230 万个参数和 6.7B FLOPs。轻量级设计结合无 NMS 架构,大幅降低了在采用 TensorRT 和 OpenVINO 的平台上的延迟。

相比之下,PP-YOLOE+ 在更大的权重类别中表现出色,其 X-large 变体的 mAP 略高于 YOLOv10x(54.7% 对 54.4%)。但它的参数量也超过后者的三倍(98.42M 对 29.5M),因此在内存受限的环境中,YOLOv10x 的效率明显更高。

Ultralytics 生态系统的优势#

PP-YOLOE+ 和 YOLOv10 都取得了令人瞩目的技术成就,但现代 ML 工程不只需要原始架构,还需要一个维护良好的生态系统。

Ultralytics 提供 Python 软件包,大幅简化数据收集和标注、训练和部署流程。与庞大的研究框架或较旧的 Transformer 模型相比,Ultralytics 架构在训练时只需极少的 CUDA 内存,支持使用更大的批次并加快迭代速度。Ultralytics 软件包还具备广泛的适用性,开箱即用地支持图像分类、OBB(旋转框)和高效的目标跟踪。

YOLO26 登场:新一代模型#

Ultralytics YOLO26 于 2026 年 1 月发布,融合了 YOLOv10 等模型的优秀设计,同时解决了它们的不足。

YOLO26 的关键创新:

  • 端到端无 NMS 设计:在 YOLOv10 为 YOLO 模型引入的无 NMS 训练基础上,YOLO26 提供可选的端到端检测头(nms=False),省去 NMS 后处理,从而在各种硬件上实现更快速、更简单的部署。
  • 移除 DFL:移除分布焦点损失(DFL)后,模型架构更易导出,并提高了对低功耗边缘 AI 设备的兼容性。
  • MuSGD 优化器:受大语言模型训练技术启发(例如 Moonshot AI 的 Kimi K2),YOLO26 使用结合 SGD 和 Muon 的混合优化器,从而实现稳定训练和显著加快的收敛速度。
  • CPU 推理速度最高提升 43%:YOLO26n 针对实际应用场景进行了优化,在依赖 CPU 计算的应用中,其速度最高比 YOLO11n 快 43%,因此非常适合智能监控和移动端部署。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配策略显著提升小目标识别能力,这对航空影像和机器人领域至关重要。
  • 针对特定任务的改进:与 YOLOv10 不同,YOLO26 原生支持用于分割的多尺度 proto,以及用于姿态估计的残差对数似然估计(RLE)。

实际实现#

Ultralytics 模型的上手过程十分简单。只需几行代码,你就可以使用现代数据增强流程启动训练。

from ultralytics import YOLO

# 加载强烈推荐的 YOLO26 模型
model = YOLO("yolo26n.pt")

# 使用 COCO8 数据集训练模型
# 与 Transformer 架构相比,内存用量经过了高度优化
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 运行端到端无 NMS 推理
inference_results = model("https://ultralytics.com/images/bus.jpg", nms=False)

# 直接导出为 ONNX 或 TensorRT 格式以进行部署
model.export(format="onnx", simplify=True)

用例与建议#

在 PP-YOLOE+ 和 YOLOv10 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 YOLOv10#

以下场景推荐使用 YOLOv10:

  • 无 NMS 的实时检测:适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率:适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用:适用于推理时间可预测性至关重要的部署场景,例如机器人或自主系统。

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。

结论#

对于深耕百度生态和工业服务器环境的团队,PP-YOLOE+ 仍是可靠的选择。YOLOv10 是一个重要的学术里程碑,证明了无 NMS 实时检测的可行性。

不过,对于希望兼顾准确率、快速推理和多任务能力的开发者,Ultralytics YOLO26 是推荐之选。YOLO26 在训练效率和边缘优先部署方面的创新,使其成为适用于生产级计算机视觉的稳健且通用的解决方案。

评论

提出问题、分享结果,或帮助其他人。