Meet YOLO26: next-gen vision AI.

Link to this sectionPP-YOLOE+ 对比 YOLOv7#

在构建计算机视觉流水线时，选择合适的目标检测模型至关重要。作为 2022 年的两大重要架构，PP-YOLOE+ 和 YOLOv7 在实时目标检测领域带来了强大的技术进步。本技术对比旨在深入分析它们的架构、训练方法和实际性能，帮助你为应用做出明智的决策。

Link to this section模型概述#

PP-YOLOE+ 和 YOLOv7 的设计初衷都是为了突破精度和速度的界限，但它们源于不同的开发生态和设计理念。

Link to this sectionPP-YOLOE+#

PP-YOLOE+ 由百度 PaddlePaddle 作者开发，它在原有的 PP-YOLOv2 基础上构建，旨在提供一种针对 PaddlePaddle 生态系统优化的高效且高精度的目标检测器。

了解更多关于 PP-YOLOE+ 的信息

Link to this sectionYOLOv7#

YOLOv7 由 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 开发，它引入了“可训练的免费包”（trainable bag-of-freebies），在发布时为实时目标检测器树立了新的行业领先基准。

了解更多关于 YOLOv7 的信息

Link to this section架构创新#

Link to this sectionPP-YOLOE+ 架构#

PP-YOLOE+ 严重依赖于无锚（anchor-free）范式，通过消除为自定义数据集调整锚框的必要性，简化了部署过程。它整合了一个强大的 RepResNet 主干网络和一个 CSPNet 风格的 PAN（路径聚合网络）来实现有效的多尺度特征融合。此外，它利用任务对齐学习（TAL）概念，在训练过程中动态对齐分类和定位任务，确保在各种 计算机视觉任务 中保持高精度。

Link to this sectionYOLOv7 架构#

YOLOv7 采用了不同的方法，引入了扩展高效层聚合网络（E-ELAN）。该架构允许网络学习更多元化的特征而不破坏原始梯度路径，从而实现更好的收敛。YOLOv7 还大量利用了模型重参数化技术——特别是规划重参数化卷积——在推理过程中合并卷积层，在不牺牲精度的情况下加快执行速度。这使得 YOLOv7 在 多目标追踪 和复杂的 安全报警系统 等任务中表现异常出色。

生态系统差异

虽然 PP-YOLOE+ 与百度的 PaddlePaddle 框架紧密集成，但 YOLOv7 是在 PyTorch 中构建的，后者在历史上拥有更大的社区，并且与 ONNX 和 TensorRT 等部署流水线具有更广泛的开箱即用兼容性。

Link to this section性能分析#

在平衡速度、参数量和精度（mAP）时，这两款模型根据具体的变体和目标硬件各有胜场。以下是它们指标的全面对比。

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
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9

虽然 PP-YOLOE+x 模型达到了略高的 mAP，但 YOLOv7 的各个变体提供了极强的参数与精度比。YOLOv7 架构仍然是原始 GPU 处理的首选，在这种场景下，TensorRT 优化能提供极低的延迟。

Link to this sectionUltralytics 的优势#

在训练和部署这些模型时，你选择的框架与模型本身同样重要。使用 Ultralytics 可以提供简化的用户体验，这得益于高度统一的 Python API，它简化了整个机器学习生命周期。

  • 维护良好的生态系统： Ultralytics YOLO 模型受益于持续更新的生态系统、强大的文档以及活跃的社区。
  • 内存要求： Ultralytics 对数据加载和训练机制进行了深度优化。训练 Ultralytics YOLO 模型通常比使用重型 Transformer 架构所需的 CUDA 内存少得多，从而允许开发者在消费级硬件上使用更大的 批次大小。
  • 训练效率： 通过利用强大的 数据增强策略 和内置的超参数调优，Ultralytics 确保模型能够利用现有的预训练权重快速收敛。

Link to this section简单的 API 实现#

使用 Ultralytics 训练 YOLOv7 模型只需几行代码，完全抽象了复杂的训练脚本：

from ultralytics import YOLO

# Load a pretrained YOLOv7 model
model = YOLO("yolov7.pt")

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

# Export to TensorRT for deployment
model.export(format="engine", device=0)

Link to this section新标准：介绍 YOLO26#

虽然 PP-YOLOE+ 和 YOLOv7 是目标检测领域的里程碑，但 AI 领域发展迅速。对于任何新的计算机视觉项目，我们强烈推荐使用 Ultralytics YOLO26。YOLO26 发布于 2026 年 1 月，代表了边缘优先视觉 AI 的巨大飞跃。

为什么 YOLO26 优于旧架构：

  • 端到端无 NMS 设计： YOLO26 是原生的端到端模型。通过消除非极大值抑制（NMS）后处理，它保证了可预测的、确定性的推理延迟——这是在 YOLOv10 中首次见到的突破。
  • 移除 DFL： 移除分布式焦点损失（Distribution Focal Loss）简化了导出过程，并显著提高了对低功耗边缘设备的兼容性。
  • CPU 推理速度最高提升 43%： 对于缺乏专用 GPU 的场景——例如 智慧城市 IoT 传感器——YOLO26 经过深度优化，可以直接在 CPU 上高效运行。
  • MuSGD 优化器： 受先进大语言模型训练技术（如 Moonshot AI 的 Kimi K2）启发，YOLO26 使用了 SGD 和 Muon 的混合优化器，以实现极其稳定的训练和快速收敛。
  • ProgLoss + STAL： 这些改进的损失函数在小目标检测方面带来了显著提升，这对于 无人机航拍影像 和制造缺陷检测等用例至关重要。

了解更多关于 YOLO26 的信息

Link to this section理想的用例和部署场景#

Link to this section何时使用 PP-YOLOE+#

当你深耕于百度和 PaddlePaddle 生态系统时，PP-YOLOE+ 表现出色。如果你的部署目标使用了专为 Paddle 模型定制的硬件（例如在某些亚洲制造业流水线中），PP-YOLOE+ 提供了卓越的精度和无缝集成。它对于 工业制造自动化 非常有效。

Link to this section何时使用 YOLOv7#

YOLOv7 仍然是通用高性能推理的极佳选择，特别是在使用 TensorRT 部署于 NVIDIA 硬件时。它在 PyTorch 生态系统中的集成使其在学术研究和自定义商业流水线中具有高度通用性，例如 实时人群管理 或复杂的 姿态估计 任务，在这些任务中，网络的结构完整性至关重要。

Link to this section其他值得考虑的模型#

根据你的具体需求，你可能还有兴趣将这些架构与 YOLO11 进行对比，以获得更广泛、生产就绪的灵活性，或者如果你的项目需要视觉 Transformer 优于传统卷积网络的特定优势，也可以考虑 RT-DETR。

Link to this section结论#

PP-YOLOE+ 和 YOLOv7 都为实时目标检测世界带来了显著的改进。虽然 PP-YOLOE+ 在以 PaddlePaddle 为标准的环境中表现卓越，但 YOLOv7 通过 PyTorch 和 Ultralytics 生态系统提供了令人难以置信的灵活性和性能。

然而，随着 计算机视觉解决方案 的不断进步，利用现代工具至关重要。通过拥抱 Ultralytics 平台 和像 YOLO26 这样的下一代架构，开发者可以确保其应用保持在速度、精度和易用性的最前沿。

贡献者
GLglenn-jocher13

评论