模型比较：用于物体检测的YOLO11 与 PP-YOLOE+ 比较
选择正确的物体检测模型对于计算机视觉项目至关重要。Ultralytics YOLO11 和 PP-YOLOE+ 都是最先进的型号，各自具有独特的优势，可以满足不同的应用需求。本页提供了详细的技术比较，以帮助您在这两种功能强大的型号之间做出明智的决定。
Ultralytics YOLO11
Ultralytics YOLO11 是Ultralytics 开发的YOLO 系列的最新版本。YOLO11 以其实时对象检测能力而著称，它在以前版本的基础上进一步提高了速度和准确性。它保持了单阶段检测模式，在不影响精度的前提下优先考虑高效推理。
结构和主要功能
YOLO11 采用精简的架构，针对快速推理进行了优化。它采用了先进的网络拓扑结构和训练技术，实现了参数数量和性能之间的平衡。主要架构特点包括
- 高效主干网：利用高效主干网络快速提取特征。
- 无锚检测：无需锚点框，简化了检测过程，提高了对各种物体尺度的适应性，类似于YOLOv8。
- 可扩展的模型尺寸：提供一系列模型尺寸（n、s、m、l、x），以适应从边缘设备到高性能服务器等各种计算资源，确保部署的通用性。
性能指标
YOLO11 在平衡速度和精度方面表现出色，适合实时应用。它在 COCO 等数据集上展示了最先进的平均精度（mAP），同时保持了令人印象深刻的推理速度。不同大小的模型在速度和精度之间的权衡各不相同，详见下表。
使用案例和优势
YOLO11 非常适合需要兼顾速度和高精度的应用：
- 实时视频分析：安全系统、交通监控和队列管理等应用均受益于YOLO11 的速度和精度。
- 边缘部署： YOLO11 效率高、体积小，非常适合在Raspberry Pi和NVIDIA Jetson 等边缘设备上部署。
- 应用广泛：从用于质量控制的制造业人工智能到用于零售业防盗的计算机视觉，YOLO11 的适应性使其成为各个领域的有力选择。
作者和日期
- 作者：Glenn Jocher 和 Jing QiuGlenn Jocher 和 Jing Qiu
- 组织机构 Ultralytics
- 日期：2024-09-27
- GitHub 链接： Ultralytics YOLOv8 GitHub 代码库
- 文档链接： Ultralytics YOLO11 文档
PP-YOLOE+
PP-YOLOE+（PracticalPaddlePaddle You Only Look One-level Efficient Plus）由百度开发，是 PaddleDetection 模型动物园的一部分。它的重点是在保持合理效率的同时实现高精度的目标检测。PP-YOLOE+ 是 PP-YOLOE 的增强版，在结构上进行了改进，以提高性能。
结构和主要功能
PP-YOLOE+ 是一种无锚、单阶段物体检测模型。它通过直接预测物体中心和边界框参数来简化检测过程。主要功能包括
- 无锚设计：简化模型架构和训练，避免锚点盒的复杂性。
- 高效架构：采用 ResNet 骨干网，并侧重于优化技术，以减少计算开销，同时保持具有竞争力的精确度。
- PaddlePaddle 生态系统集成：经过优化，可在PaddlePaddle 框架内实现无缝集成和部署，充分利用其生态系统优势。
性能指标
PP-YOLOE+ 模型提供了一系列配置（t、s、m、l、x），以平衡精度和速度。虽然所提供的数据中没有详细的CPU ONNX 速度指标，但 PP-YOLOE+ 模型展示了具有竞争力的 mAP 和高效的TensorRT 推理速度，适用于精度和高效部署至关重要的应用。
使用案例和优势
PP-YOLOE+ 非常适合高精度和高效率的应用，尤其是在PaddlePaddle 生态系统中：
- 工业检测：是制造业高速质量检测的理想之选，其精确性和高效性使其受益匪浅。
- 边缘计算：由于其优化的架构，可在移动和嵌入式设备上高效部署。
- 机器人：利用其速度和精度，为在动态环境中运行的机器人提供实时感知。
- 高通量处理：适用于需要对大量图像或视频流进行快速物体检测的场景。
作者和日期
- 作者 PaddlePaddle 作者
- 组织机构：百度
- 日期：2022-04-02
- ArXiv 链接： PP-YOLOE ArXiv 论文
- GitHub 链接： PaddleDetection GitHub 代码库
- 文档链接： PP-YOLOE+ 文档
型号对照表
| 模型 | 尺寸 （像素） |
mAPval 50-95 |
速度 CPU ONNX （毫秒） |
速度 T4TensorRT10 (ms) |
params (M) |
FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| 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 |
结论
YOLO11 和 PP-YOLOE+ 都是强大的物体检测模型。YOLO11 在Ultralytics 生态系统中提供了多功能和用户友好的体验，在各种任务中有效地平衡了速度和精度。PP-YOLOE+ 在准确性和效率方面表现出色，尤其适合集成到PaddlePaddle 框架中的用户或优先考虑无锚设计的工业应用。
对于对其他模型感兴趣的用户，Ultralytics 还提供一系列尖端模型，包括
