Ultralytics YOLO27：
Get Started

PP-YOLOE+ 与 YOLOv9#

实时计算机视觉领域不断变化，研究人员和开发者持续突破精度和推理速度的极限。比较 PP-YOLOE+ 和 YOLOv9，可以看到两者在模型架构和生态系统设计上采用了截然不同的理念。

这篇全面的技术比较分析了它们的架构创新、性能指标、训练方法和理想用例，帮助你为下一次部署选择合适的目标检测模型。

模型沿革与技术基础#

了解这些模型的起源和架构选择，对于判断它们是否适合你的计算机视觉项目至关重要。

PP-YOLOE+ 概述#

PP-YOLOE+ 由百度的 PaddlePaddle 作者开发，于 2022 年 4 月 2 日推出。它基于 PaddleDetection 框架中的早期版本构建，旨在实现高性能目标检测。

PP-YOLOE+ 采用稳健的无锚框架构，并针对在 PaddlePaddle 生态系统中的部署进行了深度优化。它使用经过修改的 CSPRepResNet 主干网络和 ET-head，以提升特征提取和边界框回归能力。虽然它取得了较高的平均精度均值（mAP），但依赖 PaddlePaddle 框架，有时会给习惯使用 PyTorch 或 TensorFlow 的开发者带来集成障碍。

进一步了解 PP-YOLOE+

YOLOv9 概述#

YOLOv9 由中国台湾中央研究院信息科学研究所的 Chien-Yao Wang 和 Hong-Yuan Mark Liao 推出，在高效处理深度学习信息瓶颈方面实现了重大突破。

  • 作者：Chien-Yao Wang 和 Hong-Yuan Mark Liao
  • 机构：台湾中央研究院信息科学研究所
  • 日期：2024-02-21
  • Arxiv： 2402.13616
  • GitHub： WongKinYiu/yolov9

YOLOv9 的重大突破在于可编程梯度信息（PGI），它能防止特征在通过深度神经网络时发生数据丢失。结合广义高效层聚合网络（GELAN），YOLOv9 最大限度地提高了参数效率和计算流效率。此外，它原生集成于 Ultralytics 生态系统，便于在研究和商业应用中使用。

了解有关 YOLOv9 的更多信息

其他 Ultralytics 模型

如果你正在探索最先进的方案，也可以了解 YOLO11 和 RT-DETR，它们在基于 Transformer 的精度和实时边缘端性能之间提供了不同的平衡。

性能与指标对比#

从原始性能来看，YOLOv9 展现出出色的参数效率。它以更少的参数和 FLOPs 达到相当甚至更高的精度，从而降低了模型训练期间的 VRAM 需求。

模型尺寸
(像素)		mAP验证集
50-95		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
YOLOv9t64038.3-2.32.07.7
YOLOv9s64046.8-3.547.226.7
YOLOv9m64051.4-6.4320.176.8
YOLOv9c64053.0-7.1625.5102.8
YOLOv9e64055.6-16.7758.1192.5

如表中所示，YOLOv9c 以显著少于同级 PP-YOLOE+l（52.2M）的参数量（25.5M），取得了 53.0 mAP 的优异成绩。较低的内存用量使 YOLOv9 成为 GPU 资源受限开发者的更佳选择。

生态系统、通用性与易用性#

YOLOv9 的突出优势在于它与维护良好的 Ultralytics 生态系统无缝集成。PP-YOLOE+ 需要处理复杂的 PaddlePaddle 配置文件，而 YOLOv9 则受益于简洁的 Python API。

Ultralytics Python API 让开发者能够加载预训练权重、管理数据增强，并用极少的样板代码启动训练。

from ultralytics import YOLO

# 加载预训练的 YOLOv9 模型
model = YOLO("yolov9c.pt")

# 使用 COCO8 数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 对图像进行推理
results = model("https://ultralytics.com/images/bus.jpg")

# 将模型导出为 ONNX 格式
model.export(format="onnx")

此外，Ultralytics 生态系统提供了无与伦比的通用性。除了边界框检测，该框架还原生支持实例分割、姿态估计和定向边界框（OBB）检测。这让你能极其高效地将模型适配到复杂的真实场景工作流中。

导出选项

使用 Ultralytics 框架训练的模型可以导出为多种格式，包括 TensorRT 和 OpenVINO，确保在各种硬件上都能实现高度优化的推理。

用例与建议#

在 PP-YOLOE+ 和 YOLOv9 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 YOLOv9#

以下场景推荐使用 YOLOv9：

  • 信息瓶颈研究：研究可编程梯度信息 (PGI) 和广义高效层聚合网络 (GELAN) 架构的学术项目。
  • 梯度流优化研究：重点研究如何理解并缓解训练期间深层网络层中的信息损失。
  • 高准确率检测基准测试：需要将 YOLOv9 在 COCO 基准测试中的出色表现作为架构对比参照的场景。

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。
  • 仅使用 CPU 的环境：适用于没有专用 GPU 加速的设备，此时 YOLO26 的 CPU 推理速度最高提升 43%，可带来显著优势。
  • 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。

展望未来：YOLO26 的优势#

PP-YOLOE+ 和 YOLOv9 都很强大，而新发布的 YOLO26 则代表了生产环境的明确发展方向。YOLO26 于 2026 年 1 月发布，为边缘计算和云端部署树立了新标准。凭借以下突破性创新，我们强烈建议所有新的计算机视觉项目采用 YOLO26：

  • 端到端无 NMS 设计：YOLO26 支持原生端到端推理，与 nms=False 配合运行时，无需进行非极大值抑制（NMS）后处理。这大幅简化了部署流程并降低了延迟。
  • CPU 推理速度最高提升 43%：通过针对边缘计算专门优化架构，YOLO26 在没有独立 GPU 的硬件上运行速度显著更快。
  • 移除 DFL：移除了分布焦点损失，简化了模型导出，并大幅提升了与低功耗边缘设备的兼容性。
  • MuSGD 优化器：这一结合 SGD 与 Muon 的混合方案借鉴了大型语言模型训练技术（例如 Moonshot AI 的 Kimi K2），确保训练过程高度稳定并快速收敛。
  • ProgLoss + STAL：这些先进的损失函数显著提升了小目标识别能力，对于航空影像和机器人应用来说是一项重要升级。
  • 针对特定任务的改进：YOLO26 针对特定任务采用定制架构，例如用于分割的多尺度 proto，以及用于姿态估计的残差对数似然估计（RLE）。

你可以通过 Ultralytics Platform 轻松训练和部署 YOLO26 模型。它是一站式解决方案，提供数据集标注、云端训练和模型监控功能。

实际应用#

在这些架构之间做出选择，通常取决于你的目标部署环境。

PP-YOLOE+ 常部署于工业制造中心，尤其是在 PaddlePaddle 集成和百度硬件栈已深入企业基础设施的地区。它擅长静态图像分析，适用于优先考虑绝对精度而非严格实时要求的场景。

YOLOv9 擅长需要快速实时推理的动态环境。它出色的参数效率使其非常适合自主无人机导航和边缘安全系统。此外，它较低的 VRAM 消耗也降低了研究人员使用消费级 GPU 训练模型的门槛。

在智慧城市交通管理和高速机器人领域追求最佳性能时，更新的 YOLO26 无可匹敌；它支持可选的端到端推理，不受 NMS 瓶颈带来的开销影响。

贡献者
GLglenn-jocher17PDpderrenger1

评论