Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv5 与 PP-YOLOE+ 对比#

对于任何现代计算机视觉项目来说，选择合适的神经网络架构都至关重要。当开发人员和研究人员评估用于实时目标检测的模型时，决策往往归结为平衡准确性、推理速度和部署难度。本技术对比旨在分析 YOLOv5 和 PP-YOLOE+，探讨它们的架构、性能指标和训练方法，从而帮助你为自己的应用选择最优方案。

Link to this section了解架构#

这两种模型都对视觉 AI 领域产生了重大影响，但它们在处理目标检测挑战时采用了不同的结构方法和框架依赖。

Link to this sectionUltralytics YOLOv5：行业标准#

Ultralytics YOLOv5 发布于 2020 年年中，它彻底改变了顶尖视觉模型的可访问性。作为 YOLO 系列中首个原生的 PyTorch 实现，它大幅降低了全球 Python 开发人员和机器学习工程师的入门门槛。

YOLOv5 详细信息：

YOLOv5 使用了改进的 CSPDarknet 主干网络，在保持轻量级参数量的同时，有效地捕捉了丰富的特征表示。它引入了自动学习锚框（anchor boxes），能在训练开始前自动为自定义数据集计算出最佳锚框尺寸。此外，其集成的马赛克（mosaic）数据增强功能显著增强了模型检测较小物体并跨复杂空间环境进行泛化的能力。

YOLOv5 最强大的优势之一在于其令人难以置信的多功能性。与标准目标检测器不同，YOLOv5 系列在统一的 API 中无缝支持 图像分类、实例分割 和边界框检测。相比于沉重的 Transformer 类网络，其高度优化的架构在训练和推理过程中也意味着大幅降低的内存占用。

了解更多关于 YOLOv5 的信息

Link to this sectionPP-YOLOE+：PaddlePaddle 的竞争者#

PP-YOLOE+ 发布于大约两年后，它建立在之前 PP-YOLO 迭代的基础上。该模型旨在展示百度深度学习框架的能力，并引入了多项架构改进以提高平均精度（mAP）。

PP-YOLOE+ 详情：

PP-YOLOE+ 依赖于无锚（anchor-free）范式，并使用了 CSPRepResNet 主干网络。它结合了强大的任务对齐学习技术（Task Alignment Learning）和高效的任务对齐头（Efficient Task-aligned Head）来提高精度。虽然 PP-YOLOE+ 获得了令人印象深刻的准确率分数，但其主要弱点在于对 PaddlePaddle 框架的严格依赖。对于已经深入投入 PyTorch 或 TensorFlow 生态的研究团队和企业而言，这往往会导致陡峭的学习曲线和生态摩擦。

了解关于 PP-YOLOE+ 的更多信息

Link to this section性能与基准测试#

在生产环境中评估这些模型时，理解精度、推理速度和参数占用之间的权衡至关重要。下表概述了不同尺寸规格下的关键 性能指标。

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)
YOLOv5n64028.073.61.122.67.7
YOLOv5s64037.4120.71.929.124.0
YOLOv5m64045.4233.94.0325.164.2
YOLOv5l64049.0408.46.6153.2135.0
YOLOv5x64050.7763.211.8997.2246.4
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

虽然 PP-YOLOE+ 能达到很高的准确率上限，但 YOLOv5 在受限硬件上始终表现出更优越的参数效率和更快的推理速度。对于内存稀缺的边缘端部署，YOLOv5n 提供了无与伦比的速度和极小的占用空间。

内存效率

Ultralytics 模型是专为训练效率而设计的。与 RT-DETR 等沉重的视觉 Transformer 相比，YOLOv5 使用的 CUDA 内存显著更少，使你能够在更大的批处理大小或消费级硬件上进行训练。

Link to this sectionUltralytics 的优势：生态系统与易用性#

机器学习架构的真正价值不仅在于原始数字，还在于完整的开发者体验。Ultralytics Platform 及其相应的开源工具提供了一个高度精简、维护良好的生态系统，可大幅加速开发周期。

  • 易用性： Ultralytics 将复杂的样板代码抽象化。你可以通过直观的 Python API 或 CLI 来训练、验证和测试模型。
  • 部署灵活性： 模型导出极其简单。只需一条命令，你就可以将训练好的 YOLOv5 权重转换为 ONNX、TensorRT 或 OpenVINO 等格式，确保在边缘和云端环境中具备广泛的兼容性。
  • 活跃的社区： 充满活力的社区确保了频繁的更新、详尽的文档以及针对常见计算机视觉挑战的稳健解决方案。

相比之下，PP-YOLOE+ 严重依赖于 PaddleDetection 特有的复杂配置文件，这可能会减慢快速原型设计的速度，并使集成到现代 MLOps 流水线中变得复杂。

Link to this section实际实现与代码示例#

使用 Ultralytics 上手非常简单。以下是一个完整、可运行的示例，展示了如何加载预训练的 YOLOv5 模型、在自定义数据集上进行训练并导出结果：

from ultralytics import YOLO

# Load a pretrained YOLOv5 small model
model = YOLO("yolov5s.pt")

# Train the model on the COCO8 dataset for 50 epochs
train_results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on a sample image
predict_results = model("https://ultralytics.com/images/bus.jpg")

# Export the optimized model to ONNX format
path = model.export(format="onnx")

Link to this section应用场景与建议#

在 YOLOv5 和 PP-YOLOE+ 之间做出选择，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 YOLOv5#

YOLOv5 是以下情况的强力选择：

  • 久经考验的生产系统： 在那些重视 YOLOv5 长期稳定记录、详尽文档和庞大社区支持的现有部署中。
  • 资源受限的训练： 在 GPU 资源有限的环境中，YOLOv5 的高效训练流程和更低的内存需求具有优势。
  • 广泛的导出格式支持： 需要在多种格式（包括 ONNX、TensorRT、CoreML 和 TFLite）间进行部署的项目。

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 section可考虑的其他先进模型#

虽然 YOLOv5 是一个稳健且经过验证的标准，但计算机视觉领域发展迅速。对于开始新项目的团队，我们强烈建议探索我们更新的架构。

Link to this sectionUltralytics YOLO26#

发布于 2026 年 1 月的 YOLO26 代表了我们研究的绝对巅峰。它在准确性和速度方面都带来了巨大的提升。关键创新包括：

  • 端到端无需 NMS 的设计： 基于 YOLOv10 的概念，YOLO26 原生消除了非极大值抑制（NMS）后处理，从而降低了延迟并简化了部署逻辑。
  • 移除 DFL： 通过剔除分布焦点损失（Distribution Focal Loss），YOLO26 实现了最高 43% 的 CPU 推理加速，使其在低功耗边缘设备上表现出极强的性能。
  • MuSGD 优化器： 受先进大语言模型训练技术的启发，这种 SGD 与 Muon 的混合体确保了极其稳定的训练过程和更快的收敛速度。
  • ProgLoss + STAL： 这些先进的损失函数在小目标识别方面带来了显著改进，这对 无人机影像 和智慧农业至关重要。

此外，你还可以考虑 YOLO11，它提供了出色的性能，并作为传统系统与 YOLO26 前沿功能之间高度可靠的桥梁。

Link to this section实际应用场景#

YOLOv5 与 PP-YOLOE+ 的选择最终取决于你的部署环境和项目限制。

理想的 YOLOv5 应用： YOLOv5 对资源需求极小且极其易用，使其成为 边缘 AI 的首选。它擅长需要在有限硬件上实现高帧率的应用，如实时 机器人、移动应用集成和多摄像头交通监控系统。它能在同一框架下同时处理 姿态估计 和 旋转边界框 (OBB) 任务的能力使其具备高度适应性。

理想的 PP-YOLOE+ 应用： PP-YOLOE+ 最适合那些优先考虑静态图像的绝对最高精度，而非实时处理限制的场景。它在工业检测流水线中有细分用途，特别是在那些已有深厚百度及 PaddlePaddle 生态技术栈投入的亚洲制造业部门。

总之，虽然 PP-YOLOE+ 提供了强大的精度基准，但 Ultralytics YOLO 模型在性能平衡、无缝部署和开发者友好设计方面提供了无与伦比的结合，从而推动计算机视觉项目从概念走向生产并取得成功。

贡献者
GLglenn-jocher13

评论