PP-YOLOE+ 与 YOLOv6-3.0
实时计算机视觉迅速发展,催生了针对多种部署场景优化的专用架构。构建既需要高吞吐量又需要可靠准确率的应用时,开发者经常比较 PP-YOLOE+ 和 YOLOv6-3.0。两种模型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的推理速度。
在深入了解架构细节之前,先查看下方图表,直观比较这些模型在速度和准确率方面的表现。
PP-YOLOE+:架构优势与劣势#
PP-YOLOE+ 由 PaddlePaddle 作者开发,是一款出色的无锚框检测器,在前代模型基础上发展而来,能够满足不同尺度需求并提供稳健的性能。
- 作者: PaddlePaddle 作者
- 组织: 百度
- 日期: 2022-04-02
- arXiv:2203.16250
- GitHub: PaddlePaddle/PaddleDetection
架构亮点#
PP-YOLOE+ 在原版 PP-YOLOE 设计基础上进行了多项关键改进。它使用 CSPRepResNet 主干网络,有效平衡计算成本与特征提取能力。它还采用特征金字塔网络(FPN),并结合路径聚合网络(PAN),确保实现多尺度特征融合。其突出特性之一是 ET-head(高效任务对齐头),它显著改善了目标检测中的分类与定位协调能力。
PP-YOLOE+ 的平均精度均值(mAP)表现出色,但依赖 PaddlePaddle 生态系统,对习惯 PyTorch 原生工作流程的研究人员而言,有时会带来较高的学习门槛。在面向缺乏原生 Paddle 推理支持的异构边缘设备时,这可能会稍微增加模型部署的复杂度。
PP-YOLOE+ 针对百度技术栈内的部署进行了高度优化;如果你的生产环境严重依赖 Paddle 推理工具,它就是不错的选择。
YOLOv6-3.0:工业吞吐量#
YOLOv6-3.0 由美团视觉 AI 部门发布,专为工业应用打造的新一代目标检测器,重点提升 GPU 硬件上的高吞吐量。
- 作者: Chuyi Li、Lulu Li、Yifei Geng 等。
- 组织: 美团
- 日期: 2023-01-13
- arXiv:2301.05586
- GitHub: meituan/YOLOv6
架构亮点#
YOLOv6-3.0 配备了 EfficientRep 主干网络,专门用于最大化硬件利用率,尤其适合使用 TensorRT 的 NVIDIA GPU。v3.0 更新在颈部网络加入双向拼接(BiC)模块,无需大幅增加参数量即可增强空间特征保留能力。此外,它还引入了锚点辅助训练(AAT)策略,在模型训练期间融合基于锚框的稳定性优势,同时在实时推理期间保持快速的无锚框架构。
然而,由于 YOLOv6-3.0 针对服务器级 GPU 进行了高度优化,部署到资源极其受限、仅使用 CPU 的边缘设备时,延迟优势有时会减弱。这种专业化设计意味着它在离线视频分析等环境中表现最佳,而在较小型硬件上的表现可能不及边缘优化模型。
性能对比表#
下表列出了关键性能指标,并直接比较了两种架构的不同规模变体。
| 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 |
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
用例与建议#
在 PP-YOLOE+ 和 YOLOv6 之间做选择,取决于你的具体项目需求、部署限制和生态偏好。
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 YOLOv6#
推荐在以下情况下选择 YOLOv6:
- 面向工业硬件的部署: 在这类场景中,模型面向硬件的设计和高效重参数化能针对特定目标硬件优化性能。
- 快速单阶段检测: 优先考虑 GPU 原始推理速度、以便在受控环境中处理实时视频的应用。
- 与美团生态系统集成: 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在性能与开发体验之间实现了最佳平衡:
- 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。
- 仅使用 CPU 的环境:没有专用 GPU 加速的设备;在这类设备上,YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,优势明显。
- 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。
Ultralytics 的优势:超越旧版模型#
PP-YOLOE+ 和 YOLOv6-3.0 提供了针对特定需求的解决方案,而现代 AI 开发需要通用且节省内存的工作流程。这正是 Ultralytics Platform 能提供出色开发体验的地方。借助统一的 Python API,你可以训练、验证和部署现代模型,无需承担旧版研究代码库中常见的繁重配置开销。
Ultralytics 模型原生支持多种视觉任务,不限于标准检测,还包括实例分割、图像分类、姿态估计和有向边界框(OBB)提取。与通常需要大量 GPU VRAM 的 RT-DETR 等基于 Transformer 的模型相比,Ultralytics 模型在训练期间还针对更低的内存占用进行了优化。
认识 YOLO26:新标准#
对于希望部署最新视觉模型的组织,Ultralytics YOLO26(于 2026 年 1 月发布)凭借多项重要创新,性能显著优于旧一代模型:
- 端到端无 NMS 设计:YOLO26 在 YOLOv10 的理念基础上,通过可选的一对一检测头(
nms=False)彻底移除非极大值抑制(NMS)后处理。这种原生端到端方法能够实现可预测的低延迟推理,这对于实时安全系统至关重要。 - CPU 推理速度最高提升 43%:架构移除了分布焦点损失(DFL),使 YOLO26 针对边缘计算和缺少专用 GPU 加速的环境进行了优化;YOLO26n 的 CPU 运行速度最高可比 YOLO11n 快 43%。
- MuSGD 优化器:将 LLM 训练的稳定性融入视觉模型,这种混合优化器(受 Moonshot AI 启发)可实现快速收敛,并让自定义训练过程高度稳定。
- ProgLoss + STAL:这些训练技术显著提升了小目标识别能力,对无人机航拍图像和拥挤场景分析等应用至关重要。
如果你今天要开发新项目,请从 YOLO26 开始,而不是使用旧架构。其内存效率和无 NMS 带来的速度优势,让你更容易将模型部署到生产环境。
实现#
使用 Ultralytics Python 软件包训练和导出模型非常简单。以下示例演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
# 加载 YOLO26 small 模型
model = YOLO("yolo26s.pt")
# 使用 COCO8 示例数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 在测试图像上运行无 NMS 推理
predict_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)
# 导出为 ONNX 格式以部署到边缘设备
model.export(format="onnx")对于深度集成旧工作流程、但希望获得现代稳定性的团队,了解 Ultralytics YOLO11 也是不错的过渡选择;它具备全面的任务通用性,并由完整的 Ultralytics 生态系统提供支持。
评论
提出问题、分享结果,或帮助其他人。