Meet YOLO26: next-gen vision AI.

Link to this sectionPP-YOLOE+ 与 YOLOv6-3.0 对比#

实时 计算机视觉 领域发展迅速，催生了针对各种部署场景优化的各种高度专业化的架构。开发者在构建需要平衡高吞吐量和可靠精度的应用程序时，经常会对比 PP-YOLOE+ 和 YOLOv6-3.0。这两款模型在发布时都带来了显著的架构改进，重点在于提升工业和边缘应用的推理速度。

在深入了解详细的架构剖析之前，请查看下图，直观地了解这些模型在速度和精度方面的相对表现。

Link to this sectionPP-YOLOE+：架构优势与劣势#

PP-YOLOE+ 由 PaddlePaddle 作者 开发，是一个著名的 无锚点检测器，它在前代产品的基础上构建，可在各种规模需求下提供稳健的性能。

Link to this section架构亮点#

PP-YOLOE+ 对原有的 PP-YOLOE 设计进行了几项关键改进。它利用强大的 CSPRepResNet 主干网络，有效平衡了计算成本与特征提取能力。此外，它还结合了先进的 特征金字塔网络 (FPN) 和路径聚合网络 (PAN)，以确保多尺度特征融合。其突出特点之一是 ET-head（高效任务对齐头），显著改善了 目标检测 过程中的分类与定位协调性。

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，有时会给习惯于 PyTorch 原生工作流的研究人员带来较高的学习门槛。当目标是缺乏直接 Paddle 推理支持的异构边缘设备时，这可能会稍微增加 模型部署 的难度。

部署环境

PP-YOLOE+ 针对在百度技术栈内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，它是一个绝佳的选择。

了解更多关于 PP-YOLOE+ 的信息

Link to this sectionYOLOv6-3.0：工业吞吐量#

YOLOv6-3.0 由美团视觉智能部发布，专为工业应用中的下一代目标检测器而设计，优先考虑 GPU 硬件上的海量吞吐量。

Link to this section架构亮点#

YOLOv6-3.0 具有专门定制的 EfficientRep 主干网络，旨在最大化硬件利用率，特别是在使用 TensorRT 的 NVIDIA GPU 上。v3.0 更新在颈部引入了双向拼接 (BiC) 模块，在不严重增加参数量的情况下增强了空间特征保持能力。此外，它还引入了一种锚点辅助训练 (AAT) 策略，在 模型训练 期间融合了基于锚点的稳定性优势，同时在 实时推理 期间保持了快速的无锚点架构。

然而，由于 YOLOv6-3.0 针对服务器级 GPU 进行了高度优化，其在仅配备 CPU 的严重受限边缘设备上部署时，延迟收益有时会减弱。这种专业化意味着它在离线视频分析等环境中表现优异，但在较小的本地硬件上可能落后于经过动态优化的模型。

了解更多关于 YOLOv6 的信息

Link to this section性能对比表#

下表重点介绍了关键性能指标，直接对比了两种架构的不同规模变体。

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
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

Link to this section应用场景与建议#

在 PP-YOLOE+ 和 YOLOv6 之间进行选择，取决于你的具体项目需求、部署限制以及生态偏好。

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 YOLOv6#

YOLOv6 推荐用于：

  • 工业级硬件感知部署： 在这种场景下，模型对硬件的感知设计和高效重参数化可在特定目标硬件上提供优化的性能。
  • 快速单阶段检测： 在受控环境中，优先考虑 GPU 上的原始推理速度以进行实时视频处理的应用。
  • 美团生态系统集成： 已经在 美团 技术栈和部署基础设施内工作的团队。

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 sectionUltralytics 的优势：超越传统模型#

虽然 PP-YOLOE+ 和 YOLOv6-3.0 提供了针对性的解决方案，但现代 AI 开发需要多功能、内存高效的工作流。这正是 Ultralytics 平台 提供无与伦比的开发者体验之处。通过统一的 Python API，你可以无缝地训练、验证和部署尖端模型，而无需处理旧研究仓库中常见的繁重配置开销。

Ultralytics models natively support a wide array of vision tasks beyond standard detection, including instance segmentation, pose estimation, image classification, and Oriented Bounding Box (OBB) extraction. Furthermore, they are highly optimized for lower memory usage during training—a stark contrast to transformer-based models like RT-DETR which generally demand massive GPU VRAM allocations.

Link to this section探索 YOLO26：新标准#

对于寻求部署极致最先进视觉模型的组织而言，(2026 年 1 月发布的) Ultralytics YOLO26 重新定义了性能边界。它凭借几项关键创新，显著超越了旧版本：

  • 端到端无 NMS 设计： 基于 YOLOv10 的理念，YOLO26 完全消除了 非极大值抑制 (NMS) 后处理。这种原生的端到端方法保证了可预测的超低延迟推理，这对于实时安全系统至关重要。
  • CPU 推理速度提升高达 43%： 通过从架构中移除分布焦点损失 (DFL)，YOLO26 针对边缘计算和缺乏专用 GPU 加速的环境进行了彻底优化。
  • MuSGD 优化器： 该混合优化器（受 Moonshot AI 启发）将大语言模型训练稳定性整合到视觉模型中，实现了快速收敛和高度稳定的 自定义训练 会话。
  • ProgLoss + STAL： 这些先进的损失公式在小目标识别方面带来了显著改进，这对于 航拍无人机图像 和拥挤场景分析等应用至关重要。
让你的管道面向未来

如果你今天正在构建新项目，我们强烈建议跳过旧架构，直接采用 YOLO26。其内存效率和无 NMS 的速度使投入生产变得更加容易。

Link to this section无缝实施#

使用 Ultralytics Python 包 训练和导出最先进的模型非常简单。以下示例演示了如何训练最新的 YOLO26 模型并将其导出为 ONNX 以进行快速边缘部署：

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")

对于深度集成在旧工作流中但寻求现代稳定性的团队来说，探索 Ultralytics YOLO11 也是一个绝佳的过渡步骤，它提供了由完整 Ultralytics 生态系统支持的全面任务通用性。

贡献者
GLglenn-jocher13

评论