Ultralytics YOLO27：

PP-YOLOE+ 与 YOLOv6-3.0#

实时计算机视觉领域发展迅速，催生了针对各种部署场景进行优化的高度专业化架构。在构建需要兼顾高吞吐量与可靠精度的应用时，开发者经常会比较 PP-YOLOE+ 和 YOLOv6-3.0。这两个模型在发布时都带来了显著的架构改进，重点提升工业和边缘应用中的推理速度。

在深入了解详细的架构分析之前，先查看下方图表，直观了解这些模型在速度和精度方面的相对表现。

PP-YOLOE+：架构优势与不足#

PP-YOLOE+ 由 PaddlePaddle 作者开发，是一种出色的无锚框检测器，在前代模型的基础上构建，可在各种尺度需求下提供稳健的性能。

架构亮点#

PP-YOLOE+ 在原始 PP-YOLOE 设计的基础上引入了多项关键增强。它采用强大的 CSPRepResNet 主干网络，在计算成本与特征提取能力之间实现了高效平衡。此外，它还结合先进的特征金字塔网络 (FPN)与路径聚合网络 (PAN)，以确保多尺度特征融合。其中一项突出特性是 ET-head（高效任务对齐头），它在目标检测过程中显著改善了分类与定位之间的协调性。

虽然 PP-YOLOE+ 实现了令人印象深刻的平均精度均值 (mAP)，但它对 PaddlePaddle 生态系统的依赖，有时会让习惯于原生 PyTorch 工作流的研究人员面临较高的学习门槛。当目标是缺乏直接 Paddle 推理支持的异构边缘设备时，这可能会使模型部署过程略显复杂。

部署环境

PP-YOLOE+ 针对在百度技术栈中的部署进行了高度优化；如果你的生产环境高度依赖 Paddle 推理工具，它将是一个绝佳选择。

了解更多关于 PP-YOLOE+

YOLOv6-3.0：工业吞吐量#

YOLOv6-3.0 由美团视觉 AI 部门发布，专门设计为面向工业应用的新一代目标检测器，优先在 GPU 硬件上实现超大吞吐量。

架构亮点#

YOLOv6-3.0 采用 EfficientRep 主干网络，专门针对最大化硬件利用率进行设计，尤其适用于使用 TensorRT 的 NVIDIA GPU。v3.0 更新在颈部网络中引入了双向拼接 (BiC) 模块，在不显著增加参数量的情况下增强了空间特征保留能力。此外，它还引入了锚框辅助训练 (AAT) 策略，在模型训练期间融合基于锚框方法的稳定性优势，同时在实时推理期间保持快速的无锚框架构。

不过，由于 YOLOv6-3.0 针对服务器级 GPU 进行了高度优化，因此部署在资源严重受限、仅使用 CPU 的边缘设备上时，其延迟优势有时会减弱。这种专门化特性使它在离线视频分析等环境中表现出色，但在较小型的本地硬件上，可能不及经过动态优化的模型。

了解有关 YOLOv6 的更多信息

性能对比表#

下表突出显示了关键性能指标，直接比较了两种架构的不同尺度变体。

模型尺寸
（像素）		mAPval
50-95		速度
CPU ONNX
（毫秒）		速度
T4 TensorRT10
（毫秒）		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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

使用场景与建议#

在 PP-YOLOE+ 和 YOLOv6 之间进行选择，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+ 适合以下场景：

  • PaddlePaddle 生态系统集成： 已有基于 Baidu 的 PaddlePaddle 框架和工具构建的基础设施的组织。
  • Paddle Lite 边缘部署： 将模型部署到使用专为 Paddle Lite 或 Paddle 推理引擎优化的推理内核的硬件上。
  • 高精度服务器端检测： 优先考虑在强大的 GPU 服务器上实现最高检测精度，且不受框架依赖影响的场景。

何时选择 YOLOv6#

以下情况建议选择 YOLOv6：

  • 工业硬件感知型部署： 模型的硬件感知设计和高效重参数化能够在特定目标硬件上提供优化性能的场景。
  • 快速单阶段检测： 在受控环境中进行实时视频处理，且优先考虑 GPU 原始推理速度的应用。
  • 美团生态系统集成： 已在美团技术栈和部署基础设施中开展工作的团队。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 在性能和开发者体验之间提供了最佳组合：

  • 无 NMS 边缘部署： 适用于需要稳定、低延迟推理，同时又不希望引入非极大值抑制后处理复杂性的应用。
  • 仅使用 CPU 的环境： 适用于没有专用 GPU 加速的设备，此时 YOLO26 最高提升 43% 的 CPU 推理速度将带来决定性优势。
  • 小目标检测： 适用于航空无人机影像或 IoT 传感器分析等具有挑战性的场景，在这些场景中，ProgLoss 和 STAL 能显著提升微小目标的准确率。

Ultralytics 的优势：超越传统模型#

虽然 PP-YOLOE+ 和 YOLOv6-3.0 提供了针对性解决方案，但现代 AI 开发需要灵活且高效利用内存的工作流。这正是 Ultralytics Platform 提供卓越开发体验的地方。借助统一的 Python API，你可以顺畅地训练、验证和部署先进模型，无需承担旧版研究代码仓库中通常存在的巨大配置负担。

Ultralytics 模型原生支持超越标准检测的多种视觉任务，包括实例分割、姿态估计、图像分类以及定向边界框 (OBB)提取。此外，它们针对训练期间的低内存占用进行了高度优化，这与 RT-DETR 等基于 Transformer 的模型形成鲜明对比，后者通常需要分配大量 GPU VRAM。

探索 YOLO26：新标准#

对于希望部署最先进视觉模型的组织，Ultralytics YOLO26（于 2026 年 1 月发布）重新定义了性能边界。凭借多项关键创新，它的性能显著超越了旧一代模型：

  • **端到端无 NMS 设计：**在借鉴 YOLOv10 相关理念的基础上，YOLO26 完全消除了非极大值抑制 (NMS)后处理。这种原生端到端方法确保了可预测的超低延迟推理，对于实时安全系统至关重要。
  • **CPU 推理速度最高提升 43%：**通过从架构中移除分布焦点损失 (DFL)，YOLO26 针对边缘计算以及缺乏专用 GPU 加速的环境进行了彻底优化。
  • **MuSGD 优化器：**该混合优化器将 LLM 训练的稳定性融入视觉模型（灵感来自 Moonshot AI），能够实现快速收敛，并让自定义训练过程高度稳定。
  • **ProgLoss + STAL：**这些先进的损失函数在小目标识别方面带来了显著提升，对于空中无人机图像和拥挤场景分析等应用至关重要。
让你的工作流面向未来

如果你今天正在构建新项目，我们强烈建议跳过传统架构，采用 YOLO26。它的内存效率和无 NMS 速度让产品投入生产变得更加容易。

无缝实现#

使用 Ultralytics Python 软件包训练和导出先进模型非常简单。以下示例展示了如何训练最新的 YOLO26 模型，并将其导出为 ONNX，以便快速部署到边缘设备：

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model on the COCO8 example dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on a test image (NMS-free speed)
predict_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for edge deployment
model.export(format="onnx")

对于深度集成旧工作流但希望获得现代稳定性的团队，探索 Ultralytics YOLO11也是一个出色的过渡步骤，它依托完整的 Ultralytics 生态系统，提供全面的任务灵活性。

贡献者
GLglenn-jocher15PDpderrenger1

评论