YOLO26 与 PP-YOLOE+ 对比
实时目标检测模型发展迅速,工程师在选择部署模型时需要比较速度、精度和工具链。本页面比较 Ultralytics YOLO26 与 PP-YOLOE+ 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#
了解这些目标检测架构的背景,有助于理解它们的设计理念和目标应用环境。
YOLO26 概述
YOLO26 于 2026 年 1 月发布,是最新的 Ultralytics YOLO 模型,也是新项目的推荐选择。它面向边缘 AI部署而设计,具有占用空间小、可选端到端推理以及 CPU 和 GPU 运行速度快等特点。
- 作者: Glenn Jocher 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2026-01-14
- GitHub: Ultralytics GitHub 代码库
- 文档: YOLO26 官方文档
PP-YOLOE+ 概述
PP-YOLOE+ 是 PP-YOLO 系列的演进版本,是一款针对 PaddlePaddle 生态优化的无锚框检测器。它依赖 CSPRepResNet 主干网络和 ET-head 来提升标准检测指标。
- 作者: PaddlePaddle 作者
- 组织: 百度
- 日期: 2022-04-02
- arXiv:PP-YOLOE+ 研究论文
- GitHub: PaddleDetection 代码库
- 文档: PP-YOLOE+ 文档
架构创新#
这些模型处理视觉数据的方式不同,会影响其内存需求、训练稳定性和推理延迟。
YOLO26:原生端到端检测#
YOLO26 引入了多项旨在简化模型部署的架构改进:
- 端到端无 NMS 设计: YOLO26 基于 YOLOv10 首次引入的理念,支持原生端到端推理。通过可选的一对一检测头 (
nms=False),模型可以跳过非极大值抑制 (NMS)后处理,从而降低延迟波动并简化部署流水线。 - 移除 DFL: 移除分布焦点损失 (DFL) 可简化检测头,使模型更容易导出为 TensorRT 和 CoreML 等格式。
- MuSGD 优化器: YOLO26 受到 Moonshot AI 的 Kimi K2 启发,将 LLM 训练创新引入计算机视觉。混合优化器 MuSGD(SGD + Muon)可实现更稳定的训练和更快的收敛。
- ProgLoss + STAL: 渐进式损失和小目标感知标签分配 (STAL) 可提升小目标识别能力,使该架构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+ 采用无锚框设计,侧重于在标准服务器硬件上实现高精度。其 CSPRepResNet 主干网络提升了特征提取能力。不过,由于它依赖百度深度学习技术栈中的专用运算,修改网络或将其导出到受限的边缘设备上,可能比使用 Ultralytics 框架更复杂。
性能与指标对比#
PP-YOLOE+ 的精度具有竞争力,但在下表所列的每种尺寸下,YOLO26 的 mAP 都更高,T4 TensorRT 延迟也更低;例如,x 模型的 mAP 分别为 57.5 和 54.7,延迟分别为 11.8 ms 和 14.3 ms。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO26n | 640 | 40.9 | 38.9 | 1.7 | 2.4 | 5.5 |
| YOLO26s | 640 | 48.6 | 87.2 | 2.5 | 9.5 | 20.9 |
| YOLO26m | 640 | 53.1 | 220.0 | 4.7 | 20.4 | 68.4 |
| YOLO26l | 640 | 55.0 | 286.2 | 6.2 | 24.8 | 86.8 |
| YOLO26x | 640 | 57.5 | 525.8 | 11.8 | 55.7 | 194.4 |
| 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 |
边缘优化和移除 DFL 使 YOLO26n 在 CPU 上的速度最高提升 43%,快于 YOLO11n。此处未报告 PP-YOLOE+ 的 CPU ONNX 速度,因此请在目标设备上对两种模型进行基准测试,例如 Raspberry Pi 或其他边缘计算单元。
比较模型架构时,请注意,Ultralytics YOLO 模型在训练期间通常比基于 Transformer 的模型使用更少的内存,因此适合在消费级 GPU 上进行原型开发。
Ultralytics 生态系统的优势#
PP-YOLOE+ 是一款实力不俗的模型,但开发体验差异显著。集成式的 Ultralytics 生态系统涵盖了视觉 AI 从业者的完整工作流程。
- 易于使用: 简洁的 Python API 抽象了数据流水线和训练循环的复杂性,并配有内容全面且持续维护的文档。
- 功能多样: PP-YOLOE+ 主要专注于目标检测,而 YOLO26 可通过同一套 API 支持实例分割、语义分割、深度估计、图像分类、姿态估计和有向边界框 (OBB)。
- 训练效率: 预训练权重会自动下载,内置的数据增强功能可支持高效训练,通常比旧框架更省 CUDA 显存和时间。
代码示例:简洁直观的实践#
以下示例展示了如何使用 Ultralytics API 启动项目:
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: 基于 PaddlePaddle 基础设施构建的项目,或采用百度软件技术栈作为标准的环境。
- 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:
- 边缘设备和物联网: YOLO26 更快的 CPU 速度使其非常适合智能摄像头、无人机和低功耗机器人。
- 时间要求严格的部署: 可选的无 NMS 推理模式 (
nms=False) 可提供稳定的低延迟推理,这对自动驾驶研究和高速制造质量控制尤为重要。 - 多任务项目: 如果项目需要将目标检测与分割掩码或姿态估计关键点结合起来,统一的 YOLO26 框架可以处理所有这些任务。
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: 没有专用 GPU 加速的设备中,YOLO26n 的 CPU 推理速度最高比 YOLO11n 快 43%,优势显著。
- 小目标检测: 在无人机航拍影像或物联网传感器分析等具有挑战性的场景中,ProgLoss 和 STAL 可提升小目标检测精度。
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#
若想全面了解相关模型,可以考虑作为 Ultralytics 上一代模型的 YOLO11,它至今仍广泛用于生产环境。对于基于 Transformer 的检测模型,RT-DETR 是另一种选择,不过它在训练期间需要更多内存。
凭借 MuSGD 优化器、ProgLoss + STAL 以及可选的无 NMS 推理,YOLO26 是构建可扩展、高效视觉 AI 解决方案的推荐选择。
评论
提出问题、分享结果,或帮助其他人。