开始使用

PP-YOLOE+ 与 YOLOX 对比

计算机视觉的发展受到目标检测模型快速演进的推动。重要里程碑包括 PP-YOLOE+ 和 YOLOX,这两种架构都提升了实时性能和精度。了解它们的架构细节、性能权衡和最适合的部署场景,有助于研究人员和开发者构建更出色的视觉识别系统。

模型渊源与详情#

在介绍技术架构之前,先了解这两种模型的起源会有所帮助。它们分别由不同的支持机构推动开发,旨在解决目标检测中的特定瓶颈。

PP-YOLOE+ 详情:

进一步了解 PP-YOLOE+

YOLOX 详情:

详细了解 YOLOX

架构创新#

这两款检测器的核心区别在于特征提取和边界框预测方式。

YOLOX 于 2021 年通过将 YOLO 系列改造为无锚框设计而广受关注。移除锚框后,YOLOX 大幅减少了为自定义数据集设计和调整启发式参数的数量。它还引入了解耦检测头,将分类和定位任务分配到不同的神经网络路径。这种分离解决了目标分类与空间坐标回归之间的固有冲突,从而加快训练收敛。

百度开发的 PP-YOLOE+ 针对 PaddlePaddle 生态系统进行了大量优化。它基于 PP-YOLOE 和 PP-YOLOv2 等前代模型,引入动态标签分配策略 (TAL) 和名为 CSPRepResNet 的新型主干网络。该主干网络利用结构重参数化,使模型在训练期间受益于复杂的多分支架构,同时在推理时折叠为快速的单路径网络。

结构重参数化

结构重参数化允许模型通过多个并行分支进行训练(改善梯度流动),然后在部署时通过数学变换将这些分支合并为单个卷积层,从而在不损失准确率的情况下提升推理速度。

性能与指标对比#

直接对比这些模型可以发现,它们在性能范围内各有侧重。PP-YOLOE+ 通常能获得更高的绝对 mAP,而 YOLOX 提供了极为轻量的版本,适用于资源限制严格的硬件。

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
YOLOXnano41625.8--0.911.08
YOLOXtiny41632.8--5.066.45
YOLOXs64040.5-2.569.026.8
YOLOXm64046.9-5.4325.373.8
YOLOXl64049.7-9.0454.2155.6
YOLOXx64051.1-16.199.1281.9

注意:每个相关列区段中的最佳结果值以 粗体 标出。

YOLOX 提供了 Nano 和 Tiny 版本,占用的磁盘空间和 CUDA 内存都很少;PP-YOLOE+ 则能很好地扩展到服务器级硬件,是百度生态系统中重型工业应用的稳健选择。

实际应用#

在这两种框架之间做出选择,通常取决于集成需求和硬件目标。

YOLOX 的优势领域#

由于采用无锚框设计且提供超轻量版本,YOLOX 在机器人和嵌入式部署领域很受欢迎。其简洁的后处理流程也使模型更容易移植到 TensorRT和 NCNN等推理运行时。

PP-YOLOE+ 的优势领域#

对于已经在使用百度技术栈的制造商,PP-YOLOE+ 提供了预优化的部署路径。它在强大服务器机架上运行的高精度质量检测场景中表现出色;这些场景对实时性的要求较宽松,因此可以使用稍大的模型。

用例与建议#

在 PP-YOLOE+ 和 YOLOX 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 YOLOX#

以下情况推荐使用 YOLOX:

  • 无锚框检测研究:学术研究使用 YOLOX 简洁的无锚框架构作为基线,以试验新的检测头或损失函数。
  • 超轻量边缘设备:部署到低功耗嵌入式设备或旧款移动硬件上时,YOLOX-Nano 版本极小的体积(0.91M 个参数)至关重要。
  • SimOTA 标签分配研究:研究项目用于探索基于最优传输的标签分配策略及其对训练收敛的影响。

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。

Ultralytics 的优势:YOLO26 登场#

PP-YOLOE+ 和 YOLOX 是重要的研究里程碑,但现代部署需要更连贯、更便于开发者使用且效率更高的体验。这正是 Ultralytics YOLO26 脱颖而出的原因。

对于希望从孤立的研究代码库转向可用于生产环境系统的团队,Ultralytics 提供了强大且维护良好的生态系统。训练模型不再需要配置复杂的环境,只需使用统一的 Python API 即可轻松完成。

Ultralytics YOLO26 的主要优势包括:

  • 端到端无 NMS 设计:PP-YOLOE+ 和 YOLOX 都需要使用非极大值抑制 (NMS)过滤冗余边界框,而 YOLO26 提供原生的端到端检测头(nms=False)。这消除了延迟瓶颈,并大幅简化部署逻辑。
  • CPU 推理速度最高提升 43%:移除分布焦点损失 (DFL) 后,YOLO26n 在 CPU 硬件上的推理速度最高比 YOLO11n 快 43%,更适合边缘计算和低功耗设备。
  • MuSGD 优化器:受 Moonshot AI 的 Kimi K2 训练方式启发,这种混合优化器将 LLM 训练的稳定性引入计算机视觉,加快收敛速度。
  • ProgLoss + STAL:渐进式损失与小目标感知标签分配策略显著提升了小目标识别能力,这对无人机作业和细节丰富的航空影像至关重要。
  • 通用性:PP-YOLOE+ 和 YOLOX 只专注于检测,而 YOLO26 使用同样直观的语法处理实例分割、姿态估计和定向边界框 (OBB)。

使用 Ultralytics 简化训练流程#

与需要大量 CUDA 内存的基于 Transformer 的替代方案相比,Ultralytics 模型内存效率高、训练速度快。只需几行代码即可训练和导出 YOLO26:

from ultralytics import YOLO

# 加载高效的端到端 YOLO26 nano 模型
model = YOLO("yolo26n.pt")

# 在 COCO8 示例数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 验证模型性能
metrics = model.val()

# 导出为 ONNX 或 TensorRT
model.export(format="engine")
探索 Ultralytics Platform

对于寻求无代码解决方案的团队,Ultralytics Platform 为所有 YOLO 模型提供云端训练、集成数据集标注和一键部署功能。

结论#

PP-YOLOE+ 和 YOLOX 都在计算机视觉发展史上占有一席之地,前者精度高,后者则采用轻量无锚框设计。不过,对于致力于推动农业 AI、智慧城市和零售业发展的组织而言,Ultralytics YOLO26 持续维护、易于使用且原生采用无 NMS 架构,因此是更推荐的选择。

如果你正在为特定基准测试探索替代架构,也可以在 Ultralytics 文档中对比上一代 YOLO11或基于 Transformer 的方案,例如 RT-DETR。迁移到统一的 Ultralytics 生态系统后,开发者可以节省时间和资源,同时在边缘端和云端部署中取得出色效果。

评论

提出问题、分享结果,或帮助其他人。