Ultralytics YOLO27：
Get Started

YOLO26 与 PP-YOLOE+ 对比#

实时目标检测模型领域发展迅速。对于希望部署高效视觉 AI 模型的 ML 工程师和研究人员来说，对比 Ultralytics YOLO26 和 PP-YOLOE+ 等架构至关重要。本指南将深入分析它们的架构、训练方法、性能指标以及理想的实际部署场景。

模型起源与元数据#

了解这些计算机视觉架构的背景，有助于理解其设计理念和目标环境。

YOLO26 概述

YOLO26 于 2026 年 1 月发布，代表了 Ultralytics 生态系统的巅峰。它旨在成为首选的边缘 AI 解决方案，具有更小的模型体积、原生端到端处理能力和无与伦比的速度。

PP-YOLOE+ 概述

PP-YOLOE+ 是 PP-YOLO 系列的迭代版本，是一款无锚框检测器，针对 PaddlePaddle 生态系统进行了深度优化。它采用 CSPRepResNet 主干网络和 ET-head，以提升标准检测指标。

进一步了解 PP-YOLOE+

架构创新#

这些模型处理视觉数据的方式各不相同，这会显著影响内存需求、训练稳定性和推理延迟。

YOLO26：迈向无 NMS 的新阶段#

YOLO26 引入了多项突破性的架构改进，旨在简化模型部署：

  • 端到端无 NMS 设计：在 YOLOv10 首次提出的理念基础上，YOLO26 支持原生端到端推理，通过可选的一对一检测头（nms=False）跳过非极大值抑制 (NMS)后处理。这能减少延迟波动，并大幅简化部署流程。
  • 移除 DFL：移除分布焦点损失 (DFL) 后，模型显著变轻，可轻松导出为 TensorRT 和 CoreML 等格式。
  • MuSGD 优化器：YOLO26 从 Moonshot AI 的 Kimi K2 中汲取灵感，将 LLM 训练创新引入计算机视觉。混合型 MuSGD 优化器 (SGD + Muon) 可确保训练动态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，使该架构非常适用于无人机影像和农业应用。

PP-YOLOE+：以 Paddle 为核心的方法#

PP-YOLOE+ 采用无锚框范式，重点是在标准服务器硬件上实现高精度。其 RepResNet 结构增强了特征提取能力。不过，由于它高度依赖百度深度学习技术栈中的特定算子，因此，与 Ultralytics 框架相比，修改网络或将其导出以用于资源受限的边缘设备要复杂得多。

性能与指标对比#

在多样化的实际部署场景中，速度与准确率之间保持良好平衡至关重要。PP-YOLOE+ 的准确率颇具竞争力，但 YOLO26 始终能实现更理想的权衡，尤其是在评估 CPU 推理速度和较低内存占用时。

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)
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4
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

得益于针对边缘设备的优化和 DFL 移除，YOLO26 的 CPU 推理速度最高可比前代快 43%；部署在 Raspberry Pi 或标准边缘计算单元等设备上时，其性能远超 PP-YOLOE+。

内存效率

对比模型架构时请注意，Ultralytics YOLO 模型在训练期间的内存占用远低于复杂的 Transformer 模型，因此非常适合使用消费级 GPU 快速搭建原型。

Ultralytics 生态系统的优势#

PP-YOLOE+ 虽然能力不俗，但真正的差异化优势在于开发者体验。集成式的 Ultralytics 生态系统为视觉 AI 从业者提供了无与伦比的环境。

  1. 易用性：Ultralytics 提供了简洁流畅的用户体验。简单的 Python API 抽象了数据流水线和训练循环的复杂性，并由全面且持续维护的文档提供支持。
  2. 多功能性：与主要专注于目标检测的 PP-YOLOE+ 不同，YOLO26 使用相同的 API 结构，原生支持图像分类、实例分割、姿态估计和有向边界框 (OBB)。
  3. 训练效率：自动下载现成的预训练权重，再结合先进的数据增强技术，可实现高效训练；与传统框架相比，所需 CUDA 内存更少、训练时间更短。

代码示例：简洁直观的实践#

以下有效的 Python 代码展示了如何使用 Ultralytics API 轻松启动 AI 项目：

from ultralytics import YOLO

# 加载预训练的 YOLO26 nano 模型，以获得出色的边缘端性能
model = YOLO("yolo26n.pt")

# 使用 COCO8 数据集轻松训练模型
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# 对目标图像执行无 NMS 推理
inference_results = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

# 导出为 ONNX 格式以供部署
model.export(format="onnx")

理想的实际应用#

选择 YOLO26 还是 PP-YOLOE+，很大程度上取决于生产环境的限制。

适合部署 PP-YOLOE+ 的情况：

  • 集成百度生态系统：深度依赖 PaddlePaddle 基础设施的项目，或严格要求使用百度软硬件技术栈的特定亚洲制造环境。
  • 服务端批处理：运行在企业级硬件上的场景，此时 NMS 导致的延迟抖动不太重要。

适合部署 YOLO26 的情况：

  • 边缘设备和 IoT：YOLO26 的 CPU 速度最高可提升 43%，是智能摄像头、无人机和低功耗机器人的理想选择。
  • 时间敏感型部署：可选的无 NMS 推理模式（nms=False）能提供稳定且超低延迟的推理，这对自动驾驶研究和高速制造质量控制至关重要。
  • 多任务项目：当项目需要结合目标检测、通过分割实现精准掩码，或通过姿态估计跟踪关键点时，统一的 YOLO26 框架不可或缺。

用例与建议#

选择 YOLO26 还是 PP-YOLOE+，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 YOLO26#

以下场景适合选择 YOLO26：

  • 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。

何时选择 PP-YOLOE+#

以下情况推荐使用 PP-YOLOE+：

  • 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。

探索其他架构#

如果你想了解更多不同类型的模型，我们还建议查看 YOLO11。它是 Ultralytics 模型中高度可靠的上一代产品，至今仍广泛应用于数千个生产环境。此外，对于需要基于 Transformer 的机制的场景，RT-DETR架构提供了一个值得关注的替代方案，不过训练时需要更多内存。

最终，凭借 MuSGD 优化器、ProgLoss + STAL 能力以及可选的无 NMS 推理，YOLO26 巩固了自身作为现代化、可扩展且高效的视觉 AI 解决方案首选的地位。

贡献者
GLglenn-jocher8PDpderrenger1

评论