Ultralytics YOLO27： 加入候补名单。
Get Started

YOLOv10 与 PP-YOLOE+ 对比#

在计算机视觉领域，为实时目标检测选择合适架构，需要在精度、推理速度和部署效率之间取得平衡。两个值得关注的选项是 YOLOv10 和 PP-YOLOE+。这两种检测器都具备出色能力，但设计理念和生态系统各不相同。

本技术指南分析这两种架构，涵盖其性能指标、结构差异和理想的实际应用场景。了解这些差异后，机器学习工程师和研究人员便能为部署流水线做出明智选择。

YOLOv10：无需 NMS 的实时检测#

YOLOv10 由清华大学研究人员开发，通过在后处理中消除非极大值抑制 (NMS)的需求，带来了重大架构变革。这种端到端方法解决了实时推理长期存在的瓶颈，使部署更快、更可预测，尤其适用于计算资源有限的设备。

技术元数据#

架构优势与劣势#

YOLOv10 的突出特点是采用一致的双重分配策略进行无 NMS 训练，无需依赖启发式阈值处理即可直接预测边界框。这带来了出色的速度与精度平衡，尤其适用于较小的模型变体。该架构还采用以整体效率和准确率为导向的设计，尽可能减少计算冗余。

不过，作为一款专注于检测的模型，它缺少支持实例分割或姿态估计模型所具备的原生多功能性。

进一步了解 YOLOv10

PP-YOLOE+：PaddlePaddle 中的无锚框检测#

PP-YOLOE+ 是原始 PP-YOLOE 的升级版本，由百度 PaddlePaddle 团队开发。它基于经过优化的无锚框设计，并采用改进的训练策略，以提升标准基准测试上的平均精度均值 (mAP)。

技术元数据#

架构优势与劣势#

PP-YOLOE+ 使用可扩展的 CSPRepResNet 主干网络和 CSPPAN 颈部网络来强化特征提取。其训练方法依赖于在 Objects365 等大规模数据集上进行预训练，这有助于提升精度，尤其是在较大的 x 和 l 变体上。

PP-YOLOE+ 的主要缺点是与 PaddlePaddle 框架紧密耦合。对于习惯使用 PyTorch 或统一 Ultralytics 生态系统的团队来说，采用 PP-YOLOE+ 可能会增加阻力。此外，与同等的 Ultralytics YOLO 模型相比，它的参数量更大，因此训练期间需要更多内存。

详细了解 PP-YOLOE+

性能基准测试#

下表对 YOLOv10 和 PP-YOLOE+ 在不同规模下进行了直接比较，展示了参数效率、计算成本（FLOPs）和实际准确率之间的权衡。

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)
YOLOv10n64038.5-1.842.36.7
YOLOv10s64046.3-2.497.221.6
YOLOv10m64051.1-4.7415.459.1
YOLOv10b64052.5-5.7419.192.0
YOLOv10l64053.2-7.2824.4120.3
YOLOv10x64054.4-10.7029.5160.4
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

在 T4 TensorRT 上，YOLOv10 的所有尺寸版本都比 PP-YOLOE+ 更快，且参数更少（例如，YOLOv10m 以 15.4M 个参数在 4.74 ms 内达到 51.1 mAP，而 PP-YOLOE+m 则以 23.43M 个参数在 5.56 ms 内达到 49.8 mAP），因此更适合边缘计算环境。PP-YOLOE+ 在两端尺寸上更胜一筹：PP-YOLOE+t 的精度高于 YOLOv10n（mAP 为 39.9 对 38.5），PP-YOLOE+x 也略胜 YOLOv10x（mAP 为 54.7 对 54.4），但参数量是后者的三倍以上。

用例与建议#

选择 YOLOv10 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 YOLOv10#

以下场景适合使用 YOLOv10：

  • 无 NMS 的实时检测：适用于需要从端到端检测中获益、无需使用非极大值抑制并能降低部署复杂度的应用。
  • 均衡权衡速度与准确率：适用于需要在不同模型规模下兼顾推理速度和检测准确率的项目。
  • 延迟稳定的应用：适用于推理时间可预测性至关重要的部署场景，例如机器人或自主系统。

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。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目，Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡：

  • 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；YOLO26 的 CPU 推理速度最高可提升 43%（YOLO26n 对比 YOLO11n），具有决定性优势。
  • 小目标检测： 在无人机航拍影像等具有挑战性的场景或物联网传感器分析中，ProgLoss 和 STAL 能提升小目标检测准确率。

Ultralytics 的优势与未来：YOLO26#

YOLOv10 和 PP-YOLOE+ 各有专长，但对于新的生产级计算机视觉项目，我们推荐 Ultralytics YOLO26。YOLO26 于 2026 年 1 月发布，在多任务框架中采用了经过验证的架构理念，包括 YOLOv10 引入 YOLO 模型的无需 NMS 设计。

为什么选择 YOLO26？

Ultralytics 模型注重易用性。借助统一的 Python API，你无需处理复杂的配置文件。此外，与基于 Transformer 的检测器相比，YOLO 模型通常占用更少的 CUDA 内存，因此训练速度更快、成本更低。

YOLO26 的关键创新#

  • 端到端无 NMS 设计：通过可选的单对一检测头（nms=False）消除 NMS 后处理延迟，YOLO26 可实现稳定的高速推理，这对自动驾驶汽车和高速机器人至关重要。
  • 边缘优先优化： 移除分布焦点损失 (DFL) 可简化模型导出格式，并帮助 YOLO26n 实现比 YOLO11n 快 43% 的 CPU 推理速度。
  • 先进的训练机制： YOLO26 采用 MuSGD 优化器（SGD 和 Muon 的混合方案），将大语言模型 (LLM) 训练的稳定性引入视觉任务，收敛速度更快且更可靠。
  • 通过 ProgLoss + STAL 提高精度： 渐进式损失和小目标感知标签分配 (STAL) 针对困难场景进行优化，提升航空影像和农业领域的小目标检测能力。

灵活性#

PP-YOLOE+ 专注于检测，而 YOLO26 则通过统一代码库支持实例分割、语义分割、深度估计、图像分类、姿态估计和旋转边界框 (OBB)。你可以直接通过 Ultralytics Platform管理数据集、训练和部署模型。

from ultralytics import YOLO

# 初始化 YOLO26 nano 模型
model = YOLO("yolo26n.pt")

# 使用 Ultralytics 引擎训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 导出为 TensorRT，以便部署到 GPU
model.export(format="engine", quantize=16)

实际应用#

选择合适的模型取决于部署限制：

  • PP-YOLOE+ 适合 PaddlePaddle 软硬件技术栈已成熟的工业部署场景。它擅长处理静态、高分辨率的制造业质量检测。
  • YOLOv10 非常适合密集的人群管理场景，以及移除 NMS 后延迟波动得以降低、实时跟踪因而更加稳定的环境。
  • 对于企业级扩展，我们推荐 Ultralytics YOLO26。无论是在智慧城市中分析交通，还是部署到 Raspberry Pi 等低功耗边缘设备，其低内存占用、文档和统一训练流水线都能缩短投入生产所需的时间。

如果你想了解生态系统中较早推出且仍受支持的架构或 Transformer 替代方案，请参阅 YOLO11 或 RT-DETR 文档。

维护完善的生态系统加上简单易用的 API，让开发者减少调试配置文件的时间，更多地解决现实世界中的视觉 AI 问题。

贡献者
GLglenn-jocher21PDpderrenger2

评论