Meet YOLO26: next-gen vision AI.

Link to this sectionPP-YOLOE+ 与 YOLOv10#

计算机视觉领域在不断演进，新模型不断突破实时目标检测的极限。在这份详尽的技术对比中，我们将剖析 PP-YOLOE+ 和 YOLOv10 这两种为不同生态系统而设计的强大架构。我们还将探索整个行业正如何向 Ultralytics Platform 等更统一、更易用的平台以及最前沿的 YOLO26 模型转型。

Link to this section模型简介#

为你的 计算机视觉项目 选择正确的基础架构，需要深入了解每个模型的架构权衡、部署限制以及生态系统支持。

Link to this sectionPP-YOLOE+ 概述#

PP-YOLOE+ 由百度 PaddlePaddle 团队开发，是 PaddleDetection 生态系统中继往开来的进化版本。

优势： PP-YOLOE+ 在深度集成 PaddlePaddle 框架 的环境中表现出色。它引入了先进的 CSPRepResNet 主干网络，并依赖强大的标签分配策略 (TAL) 来实现令人印象深刻的 平均精度均值 (mAP)。它针对亚洲工业应用中常见的服务器级 GPU 进行了深度优化。

劣势： PP-YOLOE+ 的主要缺点是过度依赖 PaddlePaddle 生态系统，这对习惯于 PyTorch 的开发者来说可能不够直观。此外，它需要传统的非极大值抑制 (NMS) 进行后处理，这增加了延迟和部署复杂度。

了解更多关于 PP-YOLOE+ 的信息

Link to this sectionYOLOv10 概览#

YOLOv10 由清华大学的研究人员发布，通过从推理流水线中移除 NMS，带来了重大的架构范式转变。

优势： YOLOv10 的突出特点是其用于无 NMS 训练的一致性双重分配策略。这意味着模型无需二次过滤步骤即可原生预测边界框，使得 模型部署 在 边缘设备 上变得更加简单和快捷。它在低参数量和高精度之间取得了极佳的平衡。

劣势： 虽然 YOLOv10 在标准的 2D 目标检测 任务上效率极高，但它缺乏对其他重要计算机视觉任务（如 实例分割 和 姿态估计）的原生支持，限制了其在复杂、多任务流水线中的通用性。

了解更多关于 YOLOv10 的信息

考虑更先进的替代方案？

如果你正在探索实时检测的最新创新，建议阅读我们关于 YOLO11 或基于 Transformer 的 RT-DETR 的指南，以应用于高精度的视觉任务。

Link to this section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。下方是关于它们尺寸、精度和延迟的详细对比。

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
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4

Link to this section技术分析#

分析数据时，几个关键趋势显现出来。YOLOv10 的 Nano 和 Small 模型积极主打边缘计算效率，YOLOv10n 仅拥有 230 万个参数和 6.7B FLOPs。这种轻量级设计结合其无 NMS 的架构，大幅降低了在利用 TensorRT 和 OpenVINO 平台上的延迟。

相比之下，PP-YOLOE+ 在较大权重规格中展现出强劲能力，其 X-large 变体在 mAP 上略优于 YOLOv10x（54.7% 对比 54.4%）。然而，这是以近乎两倍的参数量（98.42M 对比 56.9M）为代价的，这使得 YOLOv10x 成为在内存受限环境下效率显著更高的模型。

Link to this sectionUltralytics 生态系统优势#

尽管 PP-YOLOE+ 和 YOLOv10 都取得了引人注目的技术成就，但现代机器学习工程需要的不仅仅是原始架构，更需要一个 维护良好的生态系统。

Ultralytics 提供行业领先的 Python SDK，极大地简化了 数据收集与标注、训练和部署。与繁重的研究框架或较旧的 Transformer 模型相比，Ultralytics 架构在训练期间仅占用极少的 CUDA 内存，从而支持更大的批次大小和更快的迭代。此外，Ultralytics 套件具备卓越的通用性，开箱即支持 图像分类、OBB (旋转框) 和强大的目标追踪。

Link to this section进入 YOLO26：下一代技术#

于 2026 年 1 月发布的 Ultralytics YOLO26 代表了计算机视觉进化的巅峰，它融合了 YOLOv10 等模型的最佳见解，同时解决了它们的局限性。

YOLO26 的关键创新：

  • 端到端无 NMS 设计： 基于 YOLOv10 开创的概念，YOLO26 原生支持端到端，完全消除了 NMS 后处理，从而在各种硬件上实现更快、更简单的部署。
  • 移除 DFL： 通过移除分布焦点损失 (DFL)，模型架构在导出时得到了大幅简化，确保了与低功耗 边缘 AI 设备 的完美兼容。
  • MuSGD 优化器： 受大语言模型训练技术（如 Moonshot AI 的 Kimi K2）启发，YOLO26 采用了 SGD 和 Muon 的混合优化器。这带来了前所未有的训练稳定性以及显著更快的收敛速度。
  • CPU 推理速度提升高达 43%： YOLO26 针对现实场景进行了深度优化，为依赖 CPU 计算的应用提供了巨大的速度提升，使其成为 智能监控 和移动端部署的完美选择。
  • ProgLoss + STAL： 这些改进的损失函数显著提高了对小目标识别的性能，这是 航空影像 和 机器人技术 的关键因素。
  • 针对任务的改进： 与 YOLOv10 不同，YOLO26 原生支持用于分割的多尺度原型 (multi-scale proto) 以及用于姿态估计的残差对数似然估计 (RLE)。

了解更多关于 YOLO26 的信息

Link to this section实际应用#

上手 Ultralytics 模型被设计得十分丝滑。只需几行代码，你就可以利用自动化超参数调优和现代数据增强流水线启动训练。

from ultralytics import YOLO

# Load the highly recommended YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model on the COCO8 dataset
# Memory usage is highly optimized compared to transformer architectures
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Run an end-to-end NMS-free inference
inference_results = model("https://ultralytics.com/images/bus.jpg")

# Export directly to ONNX or TensorRT for deployment
model.export(format="onnx", simplify=True)

Link to this section应用场景与建议#

在 PP-YOLOE+ 和 YOLOv10 之间进行选择，取决于你的具体项目需求、部署限制以及生态系统偏好。

Link to this section何时选择 PP-YOLOE+#

PP-YOLOE+ 是以下情况的有力选择：

  • PaddlePaddle 生态系统集成： 现有基础设施基于 百度 PaddlePaddle 框架和工具的组织。
  • Paddle Lite 边缘部署： 部署到专门针对 Paddle Lite 或 Paddle 推理引擎高度优化的推理内核的硬件上。
  • 高精度服务器端检测： 在强大的 GPU 服务器上优先考虑最高检测精度，且框架依赖性不是主要考量的情况。

Link to this section何时选择 YOLOv10#

推荐使用 YOLOv10 的情况：

  • 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
  • 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
  • 延迟一致的应用： 在机器人或自动驾驶系统等对可预测推理时间有严格要求的部署场景中。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：

  • 无 NMS 的边缘部署： 需要一致、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this section结论#

PP-YOLOE+ 仍然是深耕百度生态系统和工业服务器环境的团队的稳健之选。YOLOv10 则代表了一个辉煌的学术里程碑，它证明了无 NMS 实时检测的可行性。

然而，对于寻求精度、极致推理速度和无缝多任务处理能力的开发者而言，Ultralytics YOLO26 是当之无愧的最佳选择。其在训练效率和边缘优先部署架构方面的创新，确保它在 2026 年及以后成为生产级计算机视觉最强大、最多功能的解决方案。

贡献者
GLglenn-jocher13PDpderrenger1

评论