在 GitHub 上编辑页面 (EN)

YOLO26 与 PP-YOLOE+：实时目标检测技术深度解析

计算机视觉领域见证了实时目标检测模型的飞速发展。对于寻求部署最高效视觉 AI 模型的 ML 工程师和研究人员来说，比较 Ultralytics YOLO26 和 PP-YOLOE+ 等架构至关重要。本综合指南深入分析了它们的架构、训练方法、性能指标以及理想的实际部署场景。

模型来源与元数据

了解这些 计算机视觉架构 的背景有助于归纳它们的设计理念和目标环境。

YOLO26 概述 YOLO26 于 2026 年 1 月发布，代表了 Ultralytics 生态系统的巅峰之作。它被设计为终极 边缘 AI 解决方案，拥有更小的占用空间、原生端到端处理能力和无与伦比的速度。

了解关于 YOLO26 的更多信息

PP-YOLOE+ 概述 作为 PP-YOLO 系列的进化版，PP-YOLOE+ 是一款针对 PaddlePaddle 生态系统深度优化的无锚（anchor-free）检测器。它依赖于 CSPRepResNet 主干网络和 ET-head 来提升标准检测指标。

了解更多关于 PP-YOLOE+ 的信息

架构创新

这些模型处理视觉数据方式的差异，会对它们的内存需求、训练稳定性和推理延迟产生巨大影响。

YOLO26：NMS 自由的前沿

YOLO26 引入了几项突破性的架构变革，旨在简化 模型部署：

  • 端到端无 NMS 设计： 基于 YOLOv10 中首次引入的概念，YOLO26 原生去除了 非极大值抑制 (NMS) 后处理。这降低了延迟的可变性，并极大地简化了部署流程。
  • 移除 DFL： 通过移除分布式焦点损失 (DFL)，该模型变得极其轻量，从而实现了向 TensorRT 和 CoreML 等格式的无缝导出。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 启发，YOLO26 将大模型训练创新引入了计算机视觉领域。混合 MuSGD 优化器（SGD + Muon）确保了高度稳定的训练动态和快速收敛。
  • ProgLoss + STAL： 这些先进的损失函数在小目标识别方面取得了显著改进，使得该架构在 无人机影像 和 农业应用 中非常有效。

PP-YOLOE+：以 Paddle 为中心的方法

PP-YOLOE+ 采用无锚范式，侧重于标准服务器硬件上的高精度。它具有 RepResNet 结构，改善了特征提取能力。然而，由于它严重依赖百度深度学习栈中可用的特定操作，修改网络或将其导出到高度受限的 边缘设备 可能比使用 Ultralytics 框架复杂得多。

性能与指标对比

在各种实际部署场景中，速度和精度之间的强大性能平衡至关重要。虽然 PP-YOLOE+ 提供了具有竞争力的精度，但 YOLO26 始终能实现更具优势的权衡，尤其是在评估 CPU 推理速度和较低内存使用率时。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B)
YOLO26n64040.938.91.72.45.4
YOLO26s64048.687.22.59.520.7
YOLO26m64053.1220.04.720.468.2
YOLO26l64055.0286.26.224.886.4
YOLO26x64057.5525.811.855.7193.9
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

得益于特定的边缘优化和 DFL 移除，YOLO26 实现了比其前身快达 43% 的 CPU 推理速度，在部署到 Raspberry Pi 或标准边缘计算单元等设备时，其性能远超 PP-YOLOE+。

内存效率

在比较模型架构时，请注意 Ultralytics YOLO 模型在训练过程中的内存使用率比复杂的 Transformer 模型低得多，这使得它们在消费级 GPU 上进行快速原型设计变得非常容易。

Ultralytics 生态系统的优势

虽然 PP-YOLOE+ 是一款称职的模型，但真正的区别在于开发者的体验。集成的 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 提供了简化的用户体验。简单的 Python API 抽象了数据流水线和训练循环的复杂性，并由广泛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 定向边界框 (OBB)。
  3. 训练效率： 自动下载现成的预训练权重，结合先进的增强技术，确保了高效的训练过程，与传统框架相比，需要更少的 CUDA 内存和时间。

代码示例：简便即实践

以下有效的 Python 代码展示了使用 Ultralytics API 发起 AI 项目有多简单：

from ultralytics import YOLO

# Load a pre-trained YOLO26 nano model for optimal edge performance
model = YOLO("yolo26n.pt")

# Train the model effortlessly on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device="cpu")

# Perform NMS-free inference on a target image
inference_results = model.predict("https://ultralytics.com/images/bus.jpg")

# Export to ONNX format for deployment
model.export(format="onnx")

理想的实际应用场景

在 YOLO26 和 PP-YOLOE+ 之间做出选择，很大程度上取决于生产环境的限制条件。

何时部署 PP-YOLOE+：

  • 百度生态系统集成： 深度根植于 PaddlePaddle 基础设施，或强制要求使用百度硬件和软件栈的特定亚洲制造环境的项目。
  • 服务器端批处理： 在企业级硬件上运行，且对 NMS 引起的延迟抖动不太敏感的场景。

何时部署 YOLO26：

  • 边缘设备与物联网： YOLO26 快达 43% 的 CPU 速度使其成为 智能摄像头、无人机和低功耗 机器人 的终极选择。
  • 时间敏感型部署： 原生无 NMS 架构保证了稳定、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、通过分割进行的精确掩码，或通过姿态估计进行的关键点跟踪时，统一的 YOLO26 框架是必不可少的。

用例与建议

在 YOLO26 和 PP-YOLOE+ 之间进行选择，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 YOLO26

YOLO26 是以下场景的理想选择：

  • 无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

何时选择 PP-YOLOE+

PP-YOLOE+ 建议用于：

  • PaddlePaddle 生态系统集成： 拥有基于 百度 PaddlePaddle 框架和工具构建现有基础设施的组织。
  • Paddle Lite 边缘部署： 部署到具有专门针对 Paddle Lite 或 Paddle 推理引擎高度优化推理内核的硬件。
  • 高精度服务器端检测： 在强大的 GPU 服务器上优先考虑最高检测精度，且不担心框架依赖性的场景。

探索其他架构

对于探索更广泛模型范围的用户，我们也建议查看 YOLO11，这是 Ultralytics 模型中非常可靠的上一代产品，在数以千计的生产环境中依然是主力。此外，对于需要基于 Transformer 机制的场景，RT-DETR 架构提供了一个有趣的替代方案，尽管它在训练期间有更高的内存需求。

最终，通过利用 MuSGD 优化器、ProgLoss + STAL 功能以及无 NMS 设计，YOLO26 巩固了其作为现代、可扩展且高效视觉 AI 解决方案首选的地位。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher4

评论