Meet YOLO26: next-gen vision AI.

Link to this sectionPP-YOLOE+ 与 YOLOv8：实时目标检测器技术对比#

高性能、实时 computer vision 模型的需求推动了 AI 行业的快速创新。选择正确的架构，往往决定了部署是高效成功，还是臃肿且资源匮乏。本技术指南深入对比了 PP-YOLOE+ 和 Ultralytics YOLOv8，探讨了它们的基础架构、训练效率和理想部署场景。

Link to this section架构简介#

这两款模型都代表了目标检测发展的重要里程碑，但它们源于完全不同的开发理念和生态系统。

Link to this sectionPP-YOLOE+#

作为 PaddleDetection 套件的扩展，PP-YOLOE+ 是在 PP-YOLO 系列前代版本的基础上构建的。它针对 PaddlePaddle 深度学习框架进行了深度优化，主要瞄准百度软件栈普遍使用的特定亚洲工业部署市场。

PP-YOLOE+ 使用了 CSPRepResNet 主干网络和高效任务对齐头 (ET-head)，后者可动态对齐分类和定位任务。尽管它在标准化基准测试中实现了出色的 Mean Average Precision (mAP)，但对 PaddlePaddle 生态系统的重度依赖可能会给习惯于更通用框架的开发者造成阻碍。

了解更多关于 PP-YOLOE+ 的信息

Link to this sectionUltralytics YOLOv8#

作为 Ultralytics 的重大飞跃，YOLOv8 在 object detection 领域确立了新的技术基准，为广大的 PyTorch 开发者社区带来了无与伦比的易用性、极高的灵活性和极速执行性能。

YOLOv8 引入了高度优化的无锚点检测头，并用全新的 C2f 构建模块取代了旧的 C3 模块。这种设计提供了卓越的梯度流，并实现了极快的 model training。除了简单的检测之外，YOLOv8 还是多任务全能型选手，能够通过完全相同的用户友好型 API 无缝支持 instance segmentation、image classification 和 pose estimation。

了解更多关于 YOLOv8 的信息

Link to this section性能与指标对比#

直接对比这些架构，可以揭示在参数量与推理延迟之间的不同权衡。以下是基于 COCO dataset 的性能分解对比。

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.2
YOLOv8x64053.9479.114.3768.2257.8

虽然最大的 PP-YOLOE+x 模型在 mAP 上略微领先于 YOLOv8x，但代价是增加了近 1 亿参数。Ultralytics YOLOv8 模型始终表现出优异的性能平衡。 与更笨重的对应模型相比，YOLOv8 架构在训练和推理过程中所需的内存显著更低，使其成为生产环境扩展的理想选择。

Link to this sectionUltralytics 生态系统的优势#

在评估模型时，周边生态系统与原始架构同样重要。PP-YOLOE+ 要求开发者处理复杂的配置文件和特定于 PaddlePaddle 框架的依赖关系。

相反，Ultralytics 的体验旨在实现最大的开发者效率。其维护良好的生态系统拥有简单的 Python API 和极其活跃的社区。此外，Ultralytics Platform 简化了整个 ML 流水线，提供了无缝的数据集管理、云训练，以及向 ONNX 和 TensorRT 等格式的简单导出。

精简的 PyTorch 部署

由于 YOLOv8 是基于 PyTorch 原生构建的，因此与需要利基软件栈的框架相比，它更容易集成到现有的 AI 流水线中，通过 CoreML 导出到移动端环境，或部署到边缘设备。

Link to this section易用性：代码对比#

使用 Ultralytics 训练最先进的目标检测器只需几行代码。你无需去破解复杂的层级配置文件。

from ultralytics import YOLO

# Load a pre-trained YOLOv8 small model
model = YOLO("yolov8s.pt")

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

# Validate the model for mAP metrics
metrics = model.val()

# Export for high-speed edge deployment
model.export(format="engine", dynamic=True)  # Exports to TensorRT

Link to this section用例与建议#

在 PP-YOLOE+ 和 YOLOv8 之间进行选择，取决于你的具体项目需求、部署限制和对生态系统的偏好。

Link to this section何时选择 PP-YOLOE+#

PP-YOLOE+ 是以下场景的有力选择：

  • PaddlePaddle 生态系统集成： 拥有基于 百度 PaddlePaddle 框架和工具构建现有基础设施的组织。
  • Paddle Lite 边缘部署： 部署到具有专门针对 Paddle Lite 或 Paddle 推理引擎高度优化推理内核的硬件。
  • 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，且不担心框架依赖性的场景。

Link to this section何时选择 YOLOv8#

推荐在以下情况下使用 YOLOv8：

  • 多任务通用部署： 需要在 Ultralytics 生态系统内使用经过验证的模型进行 检测、分割、分类 和 姿态估计 的项目。
  • 已建立的生产系统： 已经基于 YOLOv8 架构构建且拥有稳定、经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区和生态系统支持： 能从 YOLOv8 丰富的教程、第三方集成和活跃的社区资源中受益的应用。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、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： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

Link to this section超越 YOLOv8：YOLO26 的黎明#

虽然 YOLOv8 仍然是一个稳健可靠的选择，但寻求绝对尖端技术的开发者应考虑 Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布，它汲取了 YOLO 架构的基本原则，并将其精炼为终极的边缘优先 AI 框架。

YOLO26 带来了多项突破性创新，超越了 PP-YOLOE+ 和之前的 YOLO 代系（包括 YOLO11）：

  • 端到端无 NMS 设计： 基于 YOLOv10 的概念，YOLO26 原生支持端到端运行。通过消除 Non-Maximum Suppression (NMS) 后处理，无论视觉场景多么拥挤，它都能提供一致、超低延迟的推理。
  • CPU 推理速度提升高达 43%： 通过策略性地移除分布焦点损失 (DFL)，YOLO26 显著降低了处理开销，使其在边缘 CPU 上运行速度大幅提升——非常适合无法使用昂贵 GPU 的 smart city 和物联网应用。
  • MuSGD 优化器： YOLO26 借鉴了大语言模型 (LLM) 训练的创新成果。其混合型 MuSGD 优化器在训练过程中带来了前所未有的稳定性和更快的收敛速度。
  • ProgLoss + STAL： 这些高级损失函数制定极大地改善了对远距离小物体的检测效果。这对于监控 agricultural fields 的无人机操作员或快速移动生产线上的缺陷检测来说，是一次革命性的改进。

对于正在开展新计算机视觉项目的开发者，YOLO26 是最终推荐方案。

Link to this section现实世界应用#

在这些模型之间做出选择，通常取决于你的具体部署现实：

PP-YOLOE+ 的优势领域：

  • 特定的亚洲硬件生态系统： 如果你是在百度支持的、必须使用 PaddlePaddle 运行时的硬件上进行严格部署，PP-YOLOE+ 提供了强大的原生集成。
  • 重型服务器端处理： 当参数数量和内存约束不是问题，且你正在运行纯离线服务器推理时。

Ultralytics YOLOv8（及 YOLO26）的优势领域：

  • 动态边缘计算： 从 NVIDIA Jetson devices 到基础 Raspberry Pi，Ultralytics 模型提供了速度和轻量级内存占用的最佳平衡。
  • 多任务流水线： 如果你的应用程序需要从简单的边框扩展到针对航拍图像的 Oriented Bounding Boxes (OBB)，或者用于行为分析的姿态估计，Ultralytics 可以开箱即用支持所有任务。
  • 从原型快速进入生产： Ultralytics 生态系统使团队能够快速迭代。借助现成的预训练权重，可以通过 Ultralytics Platform 以比竞争架构所需时间少得多的速度，快速创建、训练和部署自定义模型。

尽管 PP-YOLOE+ 提供了具有竞争力的基准数据，但无与伦比的灵活性、易用性以及持续的创新（以 YOLO26 的发布为证），使得 Ultralytics 模型成为现代开发者和研究人员的首选。

贡献者
GLglenn-jocher12ONonuralpszr1

评论