Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv10 与 PP-YOLOE+：全面技术对比#

在不断发展的计算机视觉领域中，为实时目标检测选择最佳架构对于平衡精度、推理速度和部署效率至关重要。YOLOv10 和 PP-YOLOE+ 是该领域的两位重要竞争者。虽然这两款模型都提供了强大的功能，但它们源于不同的设计理念和生态系统集成。

本技术指南对这两种架构进行了深入分析，探讨了它们的性能指标、结构差异以及理想的实际应用场景。通过了解各自的细微差别，机器学习工程师和研究人员可以为部署流程做出明智的决策。

Link to this sectionYOLOv10：无 NMS 检测的先行者#

YOLOv10 由清华大学的研究人员开发，通过在后处理过程中消除对非极大值抑制（NMS）的需求，引入了重大的架构变革。这种端到端的方法解决了实时推理中长期存在的瓶颈，使部署更加快速且可预测，特别是在计算资源有限的设备上。

Link to this section技术元数据#

Link to this section架构的优势与劣势#

YOLOv10 的突出特点是其用于无 NMS 训练的一致双重分配，这使得它无需依赖启发式阈值即可直接预测边界框。这在速度和精度之间实现了极佳的平衡，尤其是在较小的模型变体上。该架构还采用了整体效率-精度驱动的设计，最大限度地减少了计算冗余。

然而，作为一款纯粹专注于检测的模型，它缺乏开箱即用的实例分割或姿态估计等模型所具备的原生多功能性。

了解更多关于 YOLOv10 的信息

Link to this sectionPP-YOLOE+：PaddlePaddle 的强大引擎#

PP-YOLOE+ 是由百度 PaddlePaddle 团队开发的原始 PP-YOLOE 的升级版本。它建立在高度优化的无锚（anchor-free）范式之上，并结合了先进的训练策略，旨在突破标准基准测试中平均精度均值 (mAP) 的界限。

Link to this section技术元数据#

Link to this section架构的优势与劣势#

PP-YOLOE+ 利用可扩展的主干网络和强大的颈部设计（CSPRepResNet），显著增强了特征提取能力。其训练方法主要依赖于 Objects365 等大规模数据集进行预训练，这为其带来了令人印象深刻的精度，尤其是在较大的 x 和 l 变体上。

PP-YOLOE+ 的主要缺点是它与 PaddlePaddle 框架深度绑定。对于习惯于 PyTorch 或统一的 Ultralytics 生态系统的团队来说，采用 PP-YOLOE+ 可能会带来阻力。此外，与同等的 Ultralytics YOLO 模型相比，它更大的参数量导致训练期间对内存的需求更高。

了解更多关于 PP-YOLOE+ 的信息

Link to this section性能基准#

下表展示了 YOLOv10 和 PP-YOLOE+ 在各种规模下的直接对比，突显了参数效率、计算成本 (FLOPs) 和原始精度之间的权衡。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(M)		FLOPs
(B)
YOLOv10n64039.5-1.562.36.7
YOLOv10s64046.7-2.667.221.6
YOLOv10m64051.3-5.4815.459.1
YOLOv10b64052.7-6.5424.492.0
YOLOv10l64053.3-8.3329.5120.3
YOLOv10x64054.4-12.256.9160.4
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

正如所见，YOLOv10 在参数效率和 TensorRT 上的推理速度方面明显优于 PP-YOLOE+，使其成为边缘计算环境的更强竞争者。PP-YOLOE+ 在其最大变体上的理论最大精度上略胜一筹，尽管其参数量几乎增加了一倍。

Link to this section应用场景与建议#

在 YOLOv10 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。

Link to this section何时选择 YOLOv10#

YOLOv10 是以下情况的有力选择：

  • 无需 NMS 的实时检测： 得益于无需非极大值抑制（Non-Maximum Suppression）的端到端检测，能够降低部署复杂性的应用。
  • 平衡的速度与精度权衡： 需要在推理速度和检测精度之间取得良好平衡的各类项目，适用于多种模型规模。
  • 延迟一致的应用： 在机器人或自动驾驶系统等对可预测推理时间有严格要求的部署场景中。

Link to this section何时选择 PP-YOLOE+#

建议使用 PP-YOLOE+ 的情况：

  • PaddlePaddle 生态系统集成： 现有基础设施基于 百度 PaddlePaddle 框架和工具的组织。
  • Paddle Lite 边缘部署： 部署到专门针对 Paddle Lite 或 Paddle 推理引擎高度优化的推理内核的硬件上。
  • 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，且框架依赖性不是主要考量的情况。

Link to this section何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26 提供了性能和开发者体验的最佳组合：

  • 无 NMS 的边缘部署： 需要一致、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： 没有专用 GPU 加速的设备，YOLO26 带来的高达 43% 的 CPU 推理提速可提供决定性优势。
  • 小目标检测： 具有挑战性的场景，如 aerial drone imagery 或 IoT 传感器分析，其中 ProgLoss 和 STAL 可显著提升对极小目标的检测精度。

Link to this sectionUltralytics 的优势与未来：YOLO26#

虽然 YOLOv10 和 PP-YOLOE+ 提供了各自的优势，但现代生产级计算机视觉的标准由最新的 Ultralytics YOLO26 定义。YOLO26 于 2026 年 1 月发布，吸收了包括 YOLOv10 首创的无 NMS 设计在内的最佳架构创新，并将它们集成到一个无缝的多任务框架中。

为什么选择 YOLO26？

Ultralytics 模型优先考虑易用性。通过统一的 Python API，你可以绕过复杂的配置文件。此外，与基于 Transformer 的检测器相比，YOLO 模型通常需要的 CUDA 内存占用更低，从而实现更快、更具成本效益的训练。

Link to this sectionYOLO26 的关键创新#

  • 端到端无 NMS 设计： 通过消除后处理延迟，YOLO26 保证了稳定、高速的推理，这对自动驾驶汽车和快速机器人技术至关重要。
  • 边缘优先优化： 分布焦点损失（DFL）的移除简化了模型导出格式，并比前几代产品带来了高达 43% 的 CPU 推理速度提升。
  • 先进的训练动态： 利用新的 MuSGD 优化器（SGD 和 Muon 的混合体），YOLO26 将 LLM 训练的稳定性引入到视觉任务中，实现更快、更可靠的收敛。
  • 通过 ProgLoss + STAL 增强精度： 这些先进的损失函数专门针对复杂场景，在航拍图像和农业至关重要的小目标检测方面提供了卓越的性能提升。

Link to this section无与伦比的多功能性#

Unlike PP-YOLOE+ which focuses on detection, YOLO26 handles image classification, oriented bounding boxes (OBB), pose estimation, and segmentation from a single, unified codebase. You can easily manage datasets, train, and deploy models directly via the Ultralytics Platform.

from ultralytics import YOLO

# Initialize the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train smoothly with the powerful Ultralytics engine
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Export to TensorRT for blazing fast deployment
model.export(format="engine", half=True)

Link to this section实际应用场景#

选择合适的模型很大程度上取决于部署限制：

  • PP-YOLOE+ 在亚洲某些工业部署中表现出色，因为那里预先建立了百度的硬件-软件堆栈。它能很好地处理静态、高分辨率的制造业质量检测。
  • YOLOv10 最适合密集人群管理以及消除 NMS 可以降低延迟变异性的环境，使实时跟踪更加一致。
  • Ultralytics YOLO26 仍然是企业级扩展的终极选择。无论是分析智慧城市中的交通状况，还是部署到像 Raspberry Pi 这样的超低功耗边缘节点，其最小的内存占用、全面的文档和统一的训练流水线都能确保快速获得投资回报。

对于那些有兴趣探索生态系统中受支持的旧架构或 Transformer 替代方案的人，请参阅 YOLO11 或 RT-DETR 的文档。

归根结底，维护良好的生态系统结合简单的 API，可确保开发人员花费更少的时间调试配置文件，并将更多时间用于解决实际的视觉 AI 问题。

贡献者
GLglenn-jocher13PDpderrenger1

评论