Meet YOLO26: next-gen vision AI.

Link to this sectionYOLOv6-3.0 与 PP-YOLOE+ 对比#

在为实时 目标检测 选择框架时，机器学习工程师经常会评估各种高性能架构。在工业应用领域，YOLOv6-3.0 和 PP-YOLOE+ 是两个值得关注的模型。这两个模型都突破了精度和速度的极限，但它们分别针对略有不同的生态系统和部署硬件进行了定制。

本技术对比深入剖析了它们的架构、性能指标和训练方法，同时介绍了像 Ultralytics YOLO26 这样提供更卓越通用性和易用性的现代替代方案。

Link to this sectionYOLOv6-3.0：高吞吐量工业引擎#

YOLOv6-3.0 由 Meituan 视觉 AI 部门开发，针对工业环境进行了深度优化，特别是那些利用高性能服务器级 GPU 的环境。

  • 作者：Chuyi Li, Lulu Li, Yifei Geng, Hongliang Jiang, Meng Cheng, Bo Zhang, Zaidan Ke, Xiaoming Xu 和 Xiangxiang Chu
  • 组织：美团
  • 日期：2023-01-13
  • Arxiv: 2301.05586
  • GitHub: meituan/YOLOv6

Link to this section架构创新#

YOLOv6-3.0 采用了 EfficientRep 主干网络，专门用于最大化 NVIDIA GPU 等硬件加速器的利用率。其架构在颈部引入了 双向连接 (BiC) 模块，显著改善了多尺度特征的融合。此外，它还结合了 锚点辅助训练 (AAT) 策略。这种混合方法既享受了 基于锚点网络 在训练阶段强大的收敛特性，又能在推理时丢弃锚点，从而保持无锚点范式典型的高速度。

了解更多关于 YOLOv6 的信息

Link to this sectionPP-YOLOE+：PaddlePaddle 的检测冠军#

PP-YOLOE+ 是 PP-YOLO 系列的演进版，完全由百度研究人员在 PaddlePaddle 框架内开发。它在已建立 Paddle 生态系统的环境中表现尤为出色。

Link to this section架构创新#

PP-YOLOE+ 是一款 无锚点 检测器，引入了一种名为 TAL (任务对齐学习) 的动态标签分配策略。它使用 CSPRepResNet 主干网络，在保持计算效率的同时有效地捕获语义特征。该模型针对通过 TensorRT 和 OpenVINO 进行部署进行了高度优化，只要用户习惯使用 PaddlePaddle API，它就是边缘和服务器部署的有力竞争者。

了解更多关于 PP-YOLOE+ 的信息

框架考量

尽管 PP-YOLOE+ 提供了出色的结果，但对 PaddlePaddle 的依赖对于习惯 PyTorch 的工程师来说可能存在学习曲线。使用像 Ultralytics 这样的统一框架可以显著减少设置时间。

Link to this section性能比较#

评估这些模型需要考量它们在 平均精度均值 (mAP) 和推理速度之间的平衡。下表重点展示了它们在 COCO 验证集上的性能。

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)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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

虽然这两个模型都表现出强大的性能，但 YOLOv6-3.0 在较小模型尺寸下的原始 TensorRT 速度上通常略胜一筹，使其在高速自动结账或制造缺陷检测中非常有效。相反，PP-YOLOE+ 可以扩展到更大的参数规模，以获得最高的准确度。

Link to this sectionUltralytics 的优势：隆重介绍 YOLO26#

虽然 YOLOv6-3.0 和 PP-YOLOE+ 功能非常强大，但 计算机视觉 的快速演进要求架构不仅提供原始速度，还需具备卓越的易用性、更低的内存需求和统一的生态系统。这正是 Ultralytics YOLO 模型，特别是 YOLO11 和尖端的 YOLO26 重新定义技术水平的地方。

YOLO26 发布于 2026 年 1 月，为面向边缘和云端的视觉 AI 树立了新基准，相比传统模型具有显著优势：

  • 端到端无 NMS 设计： 在 YOLOv10 奠定的基础上，YOLO26 在后处理过程中原生消除了非极大值抑制 (NMS)。这极大地简化了部署逻辑，并减少了复杂场景下的延迟波动。
  • 最高提升 43% 的 CPU 推理速度： 通过策略性地移除分布焦点损失 (DFL)，YOLO26 极大地加速了 CPU 性能，使其在 IoT 设备和移动应用方面远胜于 YOLOv6 或 PP-YOLOE+。
  • MuSGD 优化器： 受先进的大语言模型 (LLM) 训练技术（如 Moonshot AI 的 Kimi K2）启发，混合型 MuSGD 优化器提供了极其稳定和高效的训练，收敛速度比传统的 SGD 或 AdamW 更快。
  • 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，这是 无人机影像 和空中监视的关键因素。
  • 任务多功能性： 不同于高度专注于检测的 YOLOv6-3.0，YOLO26 开箱即用地支持 实例分割、姿态估计、分类 和 旋转边界框 (OBB) 检测。

Link to this section精简的训练生态系统#

部署 PP-YOLOE+ 需要管理 PaddlePaddle 环境，而 YOLOv6-3.0 则需要操作侧重于研究的脚本。相比之下，Ultralytics Platform 提供了无缝的一站式体验。

训练最先进的 YOLO26 模型仅需几行 Python 代码：

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with the MuSGD optimizer
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Validate the model's accuracy
metrics = model.val()

# Export seamlessly to OpenVINO or TensorRT
path = model.export(format="engine")

这种简单的 API，加上相比像 RT-DETR 这类重型 Transformer 模型在训练期间更低的内存占用，让高性能 AI 更加平民化。

Link to this section理想用例与部署策略#

选择正确的模型决定了你部署流水线的成败。

Link to this section何时使用 YOLOv6-3.0#

  • 高速制造： 工业相机直接馈送至专用 NVIDIA T4 或 A100 GPU 的环境，要求在 5ms 内实现持续推理。
  • 服务器端视频分析： 处理多个密集视频流，其中纯 GPU 吞吐量 是主要瓶颈。

Link to this section何时使用 PP-YOLOE+#

  • 百度/Paddle 生态系统： 在 PaddlePaddle 技术栈上投入巨大，或专门部署在针对百度工具链优化过的硬件上的企业环境。
  • 高精度静态图像： 超大 (PP-YOLOE+x) 模型的高 mAP 比边缘部署速度更关键的场景。

Link to this section何时选择 Ultralytics YOLO26#

  • 边缘和 IoT 设备： 凭借其无 NMS 设计和 DFL 移除，YOLO26 是在 Raspberry Pi、NXP 或移动 CPU 上部署的不二之选。
  • 多任务应用： 需要同时进行 目标跟踪、姿态估计或分割，且要求使用统一 API 的项目。
  • 从快速原型到生产： 团队利用 Ultralytics Platform 进行精简的 数据集标注、超参数调优和一键式 模型部署。

对于希望探索更广泛检测模型领域的开发者，像 YOLOX 和 DAMO-YOLO 这样的框架也提供了独特的架构方法，值得在 Ultralytics 文档中查看。

贡献者
GLglenn-jocher14

评论