开始使用

PP-YOLOE+ 与 YOLOv8

对高性能实时计算机视觉模型的需求推动了 AI 行业的快速创新。选择合适的架构,可能决定部署是高效顺畅,还是笨重且耗费资源。本技术指南将对比 PP-YOLOE+ 和 Ultralytics YOLOv8,探讨两者的底层架构、训练效率和理想部署场景。

架构简介#

这两种模型都是目标检测发展历程中的重要里程碑,但它们源自截然不同的开发理念和生态系统。

PP-YOLOE+#

PP-YOLOE+ 是 PaddleDetection 套件的扩展版本,建立在 PP-YOLO 系列早期版本的基础上。它针对 PaddlePaddle 深度学习框架进行了深度优化,主要面向采用百度软件栈的工业部署场景。

PP-YOLOE+ 使用 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。虽然它在标准基准测试中取得了出色的平均精度均值(mAP),但对 PaddlePaddle 生态系统的高度依赖,可能会给习惯使用更广泛采用的框架的开发者带来阻碍。

进一步了解 PP-YOLOE+

Ultralytics YOLOv8#

Ultralytics 于 2023 年 1 月发布 YOLOv8;在当时,YOLOv8 为目标检测树立了新的技术标杆,为 PyTorch 开发者社区带来了易用性、广泛的通用性和高速执行能力。

YOLOv8 引入了优化的无锚框检测头,并全面改进了 C2f 构建模块,用它取代较旧的 C3 模块。这种设计改善了梯度流,有助于快速进行模型训练。YOLOv8 不只是简单的检测模型,还是一个多任务模型,可通过同一套易用 API 支持实例分割、图像分类和姿态估计。

性能与指标对比#

直接比较这两种架构,可以发现它们在参数量和推理延迟之间存在不同的权衡。以下是它们在 COCO 数据集上的性能对比。

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

虽然最大的 PP-YOLOE+x 模型在 mAP 上略胜 YOLOv8x,但代价是参数量接近 100M。Ultralytics YOLOv8 模型始终展现出更好的性能平衡。与参数量更大的同类模型相比,YOLOv8 架构在训练和推理时所需的内存显著更少,因此非常适合在生产环境中扩展。

Ultralytics 生态系统的优势#

评估模型时,周边生态系统与原始架构同样重要。PP-YOLOE+ 需要处理 PaddlePaddle 框架特有的复杂配置文件和依赖项。

相比之下,Ultralytics 着力提升开发效率。维护良好的生态系统提供简单的 Python API 和十分活跃的社区。Ultralytics Platform 还简化了整个 ML 流程,提供数据集管理、云端训练以及轻松导出为 ONNX 和 TensorRT 等格式的功能。

简化 PyTorch 部署

由于 YOLOv8 原生基于 PyTorch 构建,与现有 AI 流程集成、通过 CoreML 导出到移动环境,或部署到边缘设备,都比使用需要专用软件栈的框架简单得多。

易用性:代码对比#

使用 Ultralytics 训练目标检测器只需几行代码。你不必费力理解复杂的分层配置目录。

from ultralytics import YOLO

# 加载一个预训练的 YOLOv8 small 模型
model = YOLO("yolov8s.pt")

# 在自定义数据集上高效训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 验证模型并检查 mAP 指标
metrics = model.val()

# 导出模型,以便高速部署到边缘设备
model.export(format="engine", dynamic=True)  # 导出为 TensorRT

用例与建议#

在 PP-YOLOE+ 和 YOLOv8 之间做出选择,取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 PP-YOLOE+#

PP-YOLOE+ 适用于:

  • 集成 PaddlePaddle 生态系统:已有基于百度 PaddlePaddle框架和工具构建基础设施的组织。
  • Paddle Lite 边缘部署:部署到专门针对 Paddle Lite 或 Paddle 推理引擎进行了高度优化的推理内核的硬件上。
  • 高精度服务端检测:在强大的 GPU 服务器上优先追求最高检测准确率,且不受框架依赖限制的场景。

何时选择 YOLOv8#

以下情况推荐使用 YOLOv8:

  • 多任务通用部署: 项目需要在 Ultralytics 生态系统中使用经过验证的模型,完成检测、分割、分类和姿态估计。
  • 成熟的生产系统: 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区与生态系统支持: 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅限 CPU 的环境:没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),优势十分明显。
  • 小目标检测:适用于无人机航拍影像等具有挑战性的场景,或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。

超越 YOLOv8:YOLO26 的崛起#

YOLOv8 仍是稳健可靠的选择,但想要使用最新进展的开发者应考虑 Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布,将 YOLO 架构的基本原则进一步发展为一系列边缘优先的 AI 模型。

YOLO26 带来了多项创新,在 PP-YOLOE+ 和此前的 YOLO 系列(包括 YOLO11)基础上进一步提升:

  • 端到端无 NMS 设计:YOLO26 在 YOLOv10 的理念基础上,提供可选的端到端检测头(nms=False)。通过移除非极大值抑制(NMS)后处理,无论场景有多拥挤,都能实现稳定的低延迟推理。
  • CPU 推理速度最高提升 43%:通过移除分布焦点损失(DFL),YOLO26 大幅降低了处理开销,使 YOLO26n 在边缘 CPU 上的速度最高可比 YOLO11n 快 43%,适用于缺少高性能 GPU 的智慧城市和 IoT 应用。
  • MuSGD 优化器:YOLO26 借鉴了大型语言模型(LLM)训练技术。其混合 MuSGD 优化器能够提升训练稳定性并加快收敛速度。
  • ProgLoss + STAL:渐进式损失和小目标感知标签分配显著提升了对小型和远距离目标的检测能力。这对分析航拍图像的无人机操作人员,以及在高速运行的生产线上检测缺陷,都有很大帮助。

对于准备启动新计算机视觉项目的开发者,推荐选择 YOLO26。

实际应用#

在这些模型之间做出选择,通常取决于你的具体部署环境:

PP-YOLOE+ 的优势场景:

  • Paddle 专用硬件生态系统:如果你的部署严格限定在百度支持的硬件上,且必须使用 PaddlePaddle 作为运行时,那么 PP-YOLOE+ 能提供强大的原生集成能力。
  • 繁重的服务器端处理:如果参数量和内存限制不是问题,并且你只在离线服务器上运行推理。

Ultralytics YOLOv8(和 YOLO26)的优势场景:

  • 动态边缘计算:从 NVIDIA Jetson 设备到 Raspberry Pi 开发板,Ultralytics 模型兼顾了较高速度和较小的内存占用。
  • 多任务流程:如果你的应用需要从简单的边界框扩展到用于航拍图像的有向边界框(OBB),或用于行为分析的姿态估计,Ultralytics 开箱即支持这些任务。
  • 从快速原型开发到生产部署:Ultralytics 生态系统帮助团队快速迭代。借助现成的预训练权重,你可以通过 Ultralytics Platform 训练和部署自定义模型,速度远快于使用其他架构。

PP-YOLOE+ 的基准测试表现虽有竞争力,但 Ultralytics 模型的通用性、易用性和持续创新,尤其是最新推出的 YOLO26,使其成为现代开发者和研究人员更好的选择。

评论

提出问题、分享结果,或帮助其他人。