PP-YOLOE+ 与 YOLOv5
为计算机视觉选择深度学习框架时,开发者通常会比较不同架构,以找到速度、准确率和部署便利性之间的合适平衡。本对比将分析 PP-YOLOE+ 和 YOLOv5 在目标检测方面的技术差异。通过分析它们的架构、性能指标和最适合的部署场景,你可以为下一个项目做出明智的决定,无论项目涉及实时机器人、边缘部署,还是基于云的视频分析。
模型起源与元数据#
这两种模型都出自实力雄厚的工程团队,但面向的生态系统略有不同。了解它们的起源,有助于理解其架构设计选择。
PP-YOLOE+ 详情:
- 作者: PaddlePaddle 作者
- 组织: 百度
- 日期: 2022-04-02
- arXiv: https://arxiv.org/abs/2203.16250
- GitHub: https://github.com/PaddlePaddle/PaddleDetection/
- 文档:PaddleDetection README
YOLOv5 详情:
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期: 2020-06-26
- GitHub: https://github.com/ultralytics/yolov5
- 文档: https://docs.ultralytics.com/models/yolov5
架构对比#
PP-YOLOE+ 架构#
PP-YOLOE+ 是百度生态系统中的演进版本,建立在 PP-YOLOv2 等早期模型的基础上。它采用经过优化的 CSPRepResNet 主干网络,通过结合跨阶段局部(CSP)网络和重参数化技术来增强特征提取能力。这样,模型在训练期间可以保持较高准确率,同时在推理时折叠为更精简的架构,以提升速度。
此外,PP-YOLOE+ 采用任务对齐学习(TAL)和高效任务对齐头(ET-head)。两者结合,旨在解决分类和定位任务之间的不匹配问题;这是密集目标检测器常见的瓶颈。该架构设计完善,但与 PaddlePaddle 框架紧密耦合,这可能给采用其他主流 ML 库的团队带来集成挑战。
YOLOv5 架构#
相比之下,YOLOv5 原生基于 PyTorch 构建;PyTorch 是学术研究和企业生产的行业标准。YOLOv5 使用改进版 CSPDarknet53 主干网络,以出色的梯度流和参数效率著称。
YOLOv5 的一大特色是 AutoAnchor 算法,它会在训练前根据你的自定义数据集动态检查并调整锚框尺寸,因此无需手动调优边界框的超参数。模型的路径聚合网络(PANet)颈部可确保稳健的多尺度特征融合,使其能够有效检测不同尺寸的目标。
由于 YOLOv5 直接基于 PyTorch 构建,与依赖框架专用工具链的模型相比,将其导出为 ONNX 和 TensorRT 等优化格式所需的中间件配置要少得多。
性能分析#
评估这些模型时,需要考虑平均精度均值(mAP)和延迟之间的权衡。下表展示了不同模型尺寸对应的指标。
| 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+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
PP-YOLOE+ 在较大规模的模型(例如 X 变体)上取得了很有竞争力的 mAP 分数,而在较小模型中,YOLOv5 速度更快、参数量更少。YOLOv5 Nano(YOLOv5n)仅需 1.9 百万个参数,非常适合对内存要求严格的资源受限边缘设备。此外,与 RT-DETR 等大型基于 Transformer 的替代模型相比,训练 YOLO 模型通常消耗更少的 CUDA 内存。
Ultralytics 优势#
选择架构时,原始指标只是考量因素之一。开发体验、生态系统支持和部署流程往往决定项目在现实中的成败。这正是 Ultralytics 模型的优势所在。
易用性#
Ultralytics 的 Python API 抽象掉了复杂的样板代码。开发者只需极少的代码,就能开始训练、验证性能并部署模型。相关文档内容详尽、维护积极,并得到庞大的全球开源社区支持。
跨任务的通用性#
PP-YOLOE+ 是专用目标检测器,而 Ultralytics 生态系统允许用户通过统一 API 完成多种计算机视觉任务。使用 YOLOv5 及其后续版本,你可以轻松从标准边界框扩展到实例分割和分类工作流程。
代码示例:训练 YOLOv5#
只需几行代码即可开始。这种简洁性显著加快了研发周期。
from ultralytics import YOLO
# 加载预训练的 YOLOv5 小型模型
model = YOLO("yolov5su.pt") # YOLOv5u:适用于 ultralytics 软件包的无锚框 YOLOv5 权重
# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 对图像运行快速推理
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()实际应用场景#
选择 PP-YOLOE+ 的情况: 如果你的组织深度集成了百度软件栈,或者严重依赖必须使用 PaddlePaddle 框架的专用硬件,那么 PP-YOLOE+ 是性能可靠的选择。它常用于已集成 Paddle 的专用制造流程。
选择 YOLOv5 的情况: 对于大多数开发者、研究人员和企业,YOLOv5 仍是一个不错的选择。得益于 PyTorch 的底层支持,它能立即兼容用于跟踪的 Weights & Biases 等工具,并可顺利导出到 TensorRT,以支持 NVIDIA GPU 加速;也可通过 CoreML 部署到 Apple 设备。它在从农作物监测到高速无人机导航等多种领域都表现良好。
检测的未来:Ultralytics YOLO26#
YOLOv5 是一款具有里程碑意义的模型,但计算机视觉领域已取得长足进步。对于所有新项目,推荐使用 YOLO26,该模型于 2026 年 1 月发布。YOLO26 可通过 Ultralytics Platform 使用,在效率方面树立了新的标杆。
YOLO26 的关键创新:
- 端到端无 NMS 设计: YOLO26 的可选 一对一检测头(
nms=False)完全跳过非极大值抑制 (NMS) 后处理。这能减少延迟波动,并大幅简化部署流程。 - CPU 推理速度最高提升 43%:移除分布焦点损失 (DFL) 后,YOLO26 在没有 GPU 的边缘设备上速度显著提升,YOLO26n 的运行速度最高比 YOLO11n 快 43%。
- MuSGD 优化器:受大语言模型 (LLM) 训练技术启发,这种混合优化器可稳定训练动态,并加快自定义数据集上的收敛速度。
- 针对特定任务的增强:采用 ProgLoss 和 STAL(渐进式损失与小目标感知标签分配),提高微小目标的检测精度。它原生支持航空影像中的定向边界框 (OBB)检测。
如果你正在探索现代视觉模型,也可以对比上一代 YOLO11或基于 Transformer 的 RT-DETR 等方法。强大的生态系统与持续的架构改进相结合,使 Ultralytics 成为现代计算机视觉任务的有力选择。
评论
提出问题、分享结果,或帮助其他人。