在 GitHub 上编辑页面 (EN)

PP-YOLOE+ 与 YOLOv7：探索实时目标检测架构

在构建计算机视觉流水线时，选择正确的目标检测模型至关重要。2022 年出现的两个重要架构 PP-YOLOE+ 和 YOLOv7，为实时目标检测带来了强大的进步。本技术对比深入探讨了它们的架构、训练方法及实际性能，旨在帮助你为应用做出明智的决策。

模型概览

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

PP-YOLOE+

PP-YOLOE+ 由百度 PaddlePaddle 作者开发，基于最初的 PP-YOLOv2 构建。它的推出旨在提供一种针对 PaddlePaddle 生态系统优化的高效、高精度目标检测器。

了解更多关于 PP-YOLOE+ 的信息

YOLOv7

YOLOv7 由 Chien-Yao Wang、Alexey Bochkovskiy 和 Hong-Yuan Mark Liao 开发，它引入了“可训练免费包”（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

架构创新

PP-YOLOE+ 架构

PP-YOLOE+ 极度依赖无锚（anchor-free）范式，通过消除在自定义数据集上调整锚框的必要性，简化了部署过程。它整合了一个强大的 RepResNet 主干网络和 CSPNet 风格的 PAN（路径聚合网络）以实现高效的多尺度特征融合。此外，它利用任务对齐学习（TAL）概念在训练期间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。

YOLOv7 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样化的特征而不破坏原始梯度路径，从而实现更好的收敛。YOLOv7 还大量使用了模型重参数化（特别是规划重参数化卷积），在推理过程中合并卷积层，从而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 等任务中表现尤为强劲。

生态系统差异

虽然 PP-YOLOE+ 与百度的 PaddlePaddle 框架深度集成，但 YOLOv7 是基于 PyTorch 构建的，后者历来拥有更大的社区，并且与 ONNX 和 TensorRT 等部署流水线的开箱即用兼容性更广。

性能分析

在平衡速度、参数量和精度 (mAP) 时，这些模型会根据具体的变体和目标硬件各有胜负。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
(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 的各变体提供了非常出色的参数与精度比。YOLOv7 架构仍然是原生 GPU 处理的首选，特别是在 TensorRT 优化能提供极低延迟的情况下。

Ultralytics 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。得益于极度统一的 Python API，使用 Ultralytics 可以简化整个机器学习生命周期，从而提供 精简的用户体验。

  • 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、完善的文档和活跃的社区。
  • 内存需求： Ultralytics 对数据加载和训练方案进行了深度优化。与繁重的基于 Transformer 的架构相比，训练 Ultralytics YOLO 模型通常需要少得多的 CUDA 内存，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： 利用强大的 数据增强策略 和内置的超参数调优，Ultralytics 确保模型能通过现成的预训练权重快速收敛。

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)

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，我们强烈建议使用 Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布，代表了边缘侧视觉 AI 的巨大飞跃。

为何 YOLO26 优于旧架构：

  • 端到端无需 NMS 的设计： YOLO26 原生支持端到端。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推理延迟——这是首次在 YOLOv10 中见到的突破。
  • 移除 DFL： 移除分布焦点损失（Distribution Focal Loss）简化了导出流程，并显著提升了对低功耗边缘设备的兼容性。
  • CPU 推理速度提升高达 43%： 对于缺乏专用 GPU 的场景（例如 智慧城市物联网传感器），YOLO26 经过深度优化，能直接在 CPU 上高效运行。
  • MuSGD 优化器： 受高级 LLM 训练技术（如 Moonshot AI 的 Kimi K2）启发，YOLO26 使用 SGD 和 Muon 的混合优化器，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增益，这对 无人机航拍影像 和制造缺陷检测等用例至关重要。

了解关于 YOLO26 的更多信息

理想的使用场景和部署方案

何时使用 PP-YOLOE+

如果你深耕于百度和 PaddlePaddle 生态系统，PP-YOLOE+ 将大放异彩。如果你的部署目标使用了专门针对 Paddle 模型定制的硬件（例如在某些亚洲制造业流水线中），PP-YOLOE+ 可提供出色的精度和无缝集成。它对于 工业制造自动化 非常有效。

何时使用 YOLOv7

YOLOv7 仍然是通用高性能推理的绝佳选择，特别是在利用 TensorRT 部署到 NVIDIA 硬件上时。它对 PyTorch 生态系统的整合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。

其他值得考虑的模型

根据你的确切需求，你可能还有兴趣将这些架构与 YOLO11 进行对比以获得广泛的生产级灵活性，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，则可以对比 RT-DETR。

总结

PP-YOLOE+ 和 YOLOv7 都为实时目标检测世界带来了重大改进。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 Platform 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、精度和易用性的前沿。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12

评论