PP-YOLOE+ 与 YOLOv9
随着研究人员和开发者不断提升准确率与推理速度,实时计算机视觉持续发展。比较 PP-YOLOE+ 和 YOLOv9 时,你会看到两者在模型架构和生态系统设计上秉持着截然不同的理念。
这篇技术对比将分析两者的架构创新、性能指标、训练方法和理想应用场景,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。
- 作者: PaddlePaddle 作者
- 组织: 百度
- 日期: 2022-04-02
- arXiv:2203.16250
- GitHub: PaddleDetection 代码库
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。
YOLOv9 概述#
YOLOv9 由台湾中央研究院资讯科学研究所的王建尧和廖弘源开发,是处理深度网络信息瓶颈方面的重要进展。
- 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 的主要贡献是可编程梯度信息(PGI),它能缓解特征在深度神经网络中传递时的信息损失。结合通用高效层聚合网络(GELAN),YOLOv9 最大限度地提升了参数效率和计算流效率。YOLOv9 还原生集成于 Ultralytics 生态系统,让研究和商业应用都能轻松使用。
性能与指标对比#
从原始性能来看,YOLOv9 展现出很高的参数效率。它使用更少的参数和 FLOPs,就能达到相当甚至更高的准确率,从而降低模型训练期间的 VRAM 需求。
| 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+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
| YOLOv9t | 640 | 38.3 | - | 2.3 | 2.0 | 7.7 |
| YOLOv9s | 640 | 46.8 | - | 3.54 | 7.2 | 26.7 |
| YOLOv9m | 640 | 51.4 | - | 6.43 | 20.1 | 76.8 |
| YOLOv9c | 640 | 53.0 | - | 7.16 | 25.5 | 102.8 |
| YOLOv9e | 640 | 55.6 | - | 16.77 | 58.1 | 192.5 |
如表所示,YOLOv9c 以远少于同级 PP-YOLOE+l 的参数量(25.5M 对比 52.2M),实现了出色的 53.0 mAP。更低的内存占用使 YOLOv9 成为 GPU 资源受限的开发者的更好选择。
生态系统、通用性与易用性#
YOLOv9 的突出优势在于与维护良好的 Ultralytics 生态系统集成。PP-YOLOE+ 需要处理复杂的 PaddlePaddle 配置文件,而 YOLOv9 则受益于精简的 Python API。
Ultralytics Python API 让开发者可以加载预训练权重、管理数据增强,并以极少的样板代码开始训练。
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")Ultralytics 生态系统还具备广泛的通用性。除了边界框检测,该框架还原生支持实例分割、姿态估计和有向边界框(OBB)检测。这样一来,你就能高效地将模型适配到复杂的真实世界流程中。
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:没有专用 GPU 加速的设备;在这类设备上,YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,优势明显。
- 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。
展望未来:YOLO26 的优势#
PP-YOLOE+ 和 YOLOv9 都很强大,但对于生产环境而言,新发布的 YOLO26 是顺理成章的下一步。YOLO26 于 2026 年 1 月发布,专为边缘计算和云端部署而设计;凭借以下创新,它是新计算机视觉项目的推荐模型:
- 端到端无 NMS 设计:YOLO26 支持原生端到端推理,使用
nms=False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%:通过针对边缘计算优化架构,YOLO26n 在仅使用 CPU 的硬件上运行时,速度最高可比 YOLO11n 快 43%。
- 移除 DFL:模型移除了分布焦点损失(DFL),简化了导出流程,并提升了与低功耗边缘设备的兼容性。
- MuSGD 优化器:这种结合 SGD 和 Muon 的混合优化器借鉴了大型语言模型训练技术(例如 Moonshot AI 的 Kimi K2 所采用的技术),能够带来稳定的训练动态和快速收敛。
- 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识别能力,是航拍图像和机器人应用的重要升级。
- 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+ 常用于工业制造场景,这些场景的企业基础设施已深度集成 PaddlePaddle 框架和百度硬件栈。PP-YOLOE+ 在静态图像分析方面表现良好,适用于优先追求最高精度、而非严格实时性能的场景。
YOLOv9 适用于需要快速实时推理的动态环境。其参数效率使它非常适合自主无人机导航和边缘安全系统。此外,较低的 VRAM 占用降低了研究人员使用消费级 GPU 进行训练的门槛。
在智慧城市交通管理和高速机器人应用中,新一代 YOLO26 是推荐选择,可选的端到端推理无需承担 NMS 开销。
评论
提出问题、分享结果,或帮助其他人。