开始使用

PP-YOLOE+ 与 YOLOv7

构建计算机视觉流程时,选择合适的目标检测模型至关重要。PP-YOLOE+ 和 YOLOv7 是 2022 年推出的两种重要架构,为实时目标检测带来了重大进展。本技术对比将分析两者的架构、训练方法和实际性能,帮助你为应用做出明智选择。

模型概览#

PP-YOLOE+ 和 YOLOv7 都旨在提升准确率和速度,但它们源自不同的开发生态系统,设计理念也各不相同。

PP-YOLOE+#

PP-YOLOE+ 由百度 PaddlePaddle 作者开发,建立在 PP-YOLOE 和更早的 PP-YOLOv2 基础上。它旨在提供一款针对 PaddlePaddle 生态系统优化的高效、精准目标检测器。

进一步了解 PP-YOLOE+

YOLOv7#

YOLOv7 由 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 开发,通过引入“可训练的免费优势”(trainable bag-of-freebies),在发布时为实时目标检测器树立了新的最先进基准。

详细了解 YOLOv7

架构创新#

PP-YOLOE+ 架构#

PP-YOLOE+ 采用无锚框设计,无需针对自定义数据集调整锚框,简化了部署流程。它使用 CSPRepResNet 主干网络和 CSPNet 风格的路径聚合网络(PAN),实现有效的多尺度特征融合。它还使用任务对齐学习(TAL),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都能达到较高准确率。

YOLOv7 架构#

YOLOv7 则采用了不同的方法,引入扩展高效层聚合网络(E-ELAN)。这种架构能让网络学习更多样的特征,同时不破坏原有的梯度路径,从而改善收敛效果。YOLOv7 还大量采用模型重参数化,特别是规划重参数化卷积;这种方法会在推理时合并卷积层,在不损失准确率的前提下加快执行速度。因此,YOLOv7 非常适合 GPU 工作负载,例如多目标跟踪和复杂的安全警报系统。

生态差异

PP-YOLOE+ 与百度的 PaddlePaddle 框架紧密集成,而 YOLOv7 则基于 PyTorch 构建。历史上,PyTorch 拥有更大的社区,并且与 ONNX 和 TensorRT 等部署流水线有更广泛的开箱即用兼容性。

性能分析#

在速度、参数量和准确率(mAP)之间进行权衡时,具体哪个模型更有优势,取决于模型变体和目标硬件。下表对比了两者的指标。

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+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

PP-YOLOE+x 模型的 mAP 略高,而 YOLOv7 各变体的参数量与准确率之比非常出色。对于依赖 TensorRT 优化实现极低延迟的原始 GPU处理任务,YOLOv7 架构仍然备受青睐。

Ultralytics 优势#

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。Ultralytics 通过统一的 Python API 简化整个机器学习生命周期,提供精简流畅的用户体验。

  • 维护完善的生态:Ultralytics YOLO 模型受益于持续更新的生态、完善的文档和活跃的社区。
  • 内存需求:Ultralytics 优化了数据加载和训练流程。与大型基于 Transformer 的架构相比,训练 Ultralytics YOLO 模型通常需要少得多的 CUDA 内存,让开发者能够在消费级硬件上使用更大的批次大小。
  • 训练效率:借助强大的数据增强策略和内置超参数调优,Ultralytics 能确保模型快速收敛,并可直接使用现成的预训练权重。

简单的 API 实现#

Ultralytics 软件包不支持原生训练 YOLOv7(如需运行上游 YOLOv7 导出模型,请参阅 YOLOv7 文档),但只需几行代码就能训练现代 Ultralytics YOLO 模型,取代复杂的训练脚本:

from ultralytics import YOLO

# 加载预训练的 YOLO26 模型
model = YOLO("yolo26n.pt")

# 在你的自定义数据集上训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 导出为 TensorRT 格式以进行部署
model.export(format="engine", device=0)

新标准:推出 YOLO26#

PP-YOLOE+ 和 YOLOv7 是目标检测领域的重要里程碑,但 AI 领域发展迅速。对于任何新的计算机视觉项目,推荐使用Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布,是边缘优先视觉 AI 的一项重大进展。

YOLO26 为何优于旧架构:

  • 端到端无 NMS 设计:YOLO26 原生支持端到端。通过可选的一对一检测头(nms=False)跳过非极大值抑制(NMS)后处理,推理延迟更加可预测。这种方法最早由 YOLOv10 引入。
  • 移除 DFL:移除分布焦点损失简化了导出流程,并显著提升了与低功耗边缘设备的兼容性。
  • CPU 推理速度最高提升 43%:对于缺少专用 GPU 的场景(例如智慧城市 IoT 传感器),YOLO26 针对 CPU 高效运行进行了优化;YOLO26n 的速度最高可比 YOLO11n 快 43%。
  • MuSGD 优化器:YOLO26 借鉴先进的 LLM 训练技术(例如 Moonshot AI 的 Kimi K2 所采用的技术),使用 SGD 和 Muon 的混合优化器,实现稳定训练和快速收敛。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配显著提升了小目标检测能力,对无人机航拍图像和制造缺陷检测等应用至关重要。

理想应用与部署场景#

何时使用 PP-YOLOE+#

如果你深度使用百度和 PaddlePaddle 生态系统,PP-YOLOE+ 就是顺理成章的选择。如果你的部署目标是专为 Paddle 模型定制的专用硬件,PP-YOLOE+ 能提供较高的准确率和紧密的集成。它非常适合工业制造自动化。

何时使用 YOLOv7#

YOLOv7 仍是通用高性能推理的不错选择,尤其适合部署到使用 TensorRT 的 NVIDIA 硬件上。它与 PyTorch 生态系统的集成使其在学术研究和自定义商业流程中都具有很强的通用性,例如实时人群管理或姿态估计任务。

其他值得考虑的模型#

根据你的具体需求,你也可以将这些架构与 YOLO11 进行比较,以了解其广泛适用、可用于生产环境的灵活性;如果项目需要 Transformer 检测相较于传统卷积网络的特定优势,也可以比较 RT-DETR。

结论#

PP-YOLOE+ 和 YOLOv7 都为实时目标检测带来了显著改进。PP-YOLOE+ 在以 PaddlePaddle 为标准的环境中表现出色,而 YOLOv7 则通过 PyTorch 生态系统提供灵活性和高性能。

不过,随着计算机视觉解决方案不断发展,使用现代工具至关重要。通过采用 Ultralytics Platform 和 YOLO26 等新一代架构,开发者可以让应用在速度、准确率和易用性方面始终保持领先。

评论

提出问题、分享结果,或帮助其他人。