DAMO-YOLO vs. EfficientDet
Die Computer-Vision-Forschung hat zahlreiche Architekturen für unterschiedliche Anforderungen der Praxis hervorgebracht. Einige Frameworks setzen auf Skalierbarkeit, andere auf Echtzeit-Inferenz. Dieser Vergleich behandelt DAMO-YOLO und EfficientDet, zwei einflussreiche Modelle mit unterschiedlichen Ansätzen zur Objekterkennung. Er betrachtet ihre Architekturen, vergleicht ihre Benchmark-Ergebnisse und erläutert, warum Ultralytics YOLO26 eine gute Wahl für moderne Produktivumgebungen ist.
Architekturüberblick#
Beide Modelle wurden entwickelt, um den Zielkonflikt zwischen Effizienz und Genauigkeit zu bewältigen, setzen dafür jedoch auf grundlegend unterschiedliche Mechanismen.
DAMO-YOLO: Geschwindigkeit durch neuronale Architektursuche#
DAMO-YOLO wurde entwickelt, um die Grenzen der Echtzeit-Erkennung zu erweitern. Mithilfe automatisierter Suchverfahren erstellt das Modell hoch effiziente Netzwerke, die auf Umgebungen mit geringer Latenz zugeschnitten sind.
Details zu DAMO-YOLO:
- Autoren: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang und Xiuyu Sun
- Organisation: Alibaba Group
- Datum: 2022-11-23
- arXiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
DAMO-YOLO basiert auf einem Backbone, das durch neuronale Architektursuche (NAS) sowohl auf Geschwindigkeit als auch auf Genauigkeit optimiert wird. Das Modell führt RepGFPN (reparametrisiertes generalisiertes Feature-Pyramid-Netzwerk) ein, das die Merkmalsfusion verbessert und zugleich hohe Inferenzgeschwindigkeiten beibehält. Sein ZeroHead-Design minimiert außerdem den Rechenaufwand, der typischerweise mit Erkennungsköpfen verbunden ist. Das Modell nutzt auch AlignedOTA (Aligned Optimal Transport Assignment) für die Labelzuweisung sowie Wissensdestillation, sodass selbst die kleinsten Varianten aussagekräftige Repräsentationen von größeren Modellen lernen.
EfficientDet: Skalierbarkeit durch zusammengesetzte Skalierung#
Im Gegensatz zum geschwindigkeitsorientierten Ansatz konzentriert sich EfficientDet auf systematische Skalierbarkeit bei unterschiedlichen Rechenbudgets.
Details zu EfficientDet:
- Autoren: Mingxing Tan, Ruoming Pang und Quoc V. Le
- Organisation: Google Brain
- Datum: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
EfficientDet führt BiFPN (bidirektionales Feature-Pyramid-Netzwerk) ein, das eine schnelle Fusion von Merkmalen auf mehreren Skalen ermöglicht. Anders als herkömmliche Methoden, die Architekturen durch beliebiges Hinzufügen von Schichten oder Kanälen vergrößern, verwendet EfficientDet eine zusammengesetzte Skalierungsmethode. Damit werden Auflösung, Tiefe und Breite des Backbones, des Merkmalsnetzwerks und der Netze zur Vorhersage von Rahmen und Klassen gleichzeitig gleichmäßig skaliert. So erreichte das Modell zum Zeitpunkt seiner Veröffentlichung auf leistungsstarker Hardware eine Spitzenpräzision und bot zugleich kleinere Varianten für Umgebungen mit begrenzten Ressourcen.
Weitere Informationen zu EfficientDet
Leistungs- und Metrikvergleich#
Im direkten Vergleich wird der Zielkonflikt zwischen Genauigkeit und Inferenzgeschwindigkeit deutlich. Die folgende Tabelle zeigt wichtige Leistungskennzahlen und vergleicht die Inferenzleistung von DAMO-YOLO mit der EfficientDet-Modellfamilie.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
EfficientDet-d7 erzielt die höchste Gesamtgenauigkeit und eignet sich damit für anspruchsvolle cloudbasierte Anwendungen. Die DAMO-YOLO-Reihe bietet eine vergleichbare Genauigkeit bei deutlich geringerer Latenz auf GPU-Hardware und ist daher besser für Echtzeitbereitstellungen am Netzwerkrand geeignet.
Anwendungsfälle und Empfehlungen#
Ob DAMO-YOLO oder EfficientDet besser geeignet ist, hängt von den konkreten Projektanforderungen, den Bereitstellungsbeschränkungen und den Präferenzen für das jeweilige Ökosystem ab.
Wann du DAMO-YOLO wählen solltest#
DAMO-YOLO eignet sich besonders für:
- Videoanalyse mit hohem Durchsatz: Verarbeitung von Videostreams mit hoher Bildrate auf fest installierter NVIDIA-GPU-Infrastruktur, bei der der Durchsatz mit Batchgröße 1 im Vordergrund steht.
- Industrielle Fertigungslinien: Szenarien mit strengen GPU-Latenzvorgaben auf dedizierter Hardware, etwa die Qualitätsprüfung in Echtzeit auf Fließbändern.
- Forschung zur neuronalen Architektursuche: Untersuchung der Auswirkungen automatisierter Architektursuche (MAE-NAS) und effizienter Architekturen mit reparametrisierten Rückgraten auf die Erkennungsleistung.
Wann du EfficientDet wählen solltest#
EfficientDet empfiehlt sich für:
- Google Cloud und TPU-Pipelines: TensorFlow-basierte Systeme auf der Google-Cloud-TPU-Infrastruktur, auf der die Referenzimplementierung von EfficientDet das TPU-Training unterstützt.
- Forschung zur zusammengesetzten Skalierung: Akademische Benchmarks, die untersuchen, wie sich eine ausgewogene Skalierung von Netzwerktiefe, -breite und Auflösung auswirkt.
- Bereitstellung auf Mobilgeräten mit LiteRT: Projekte, die ausdrücklich den Export über LiteRT (ehemals TensorFlow Lite) für Android- oder Embedded-Linux-Geräte benötigen.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:
- NMS-freie Bereitstellung am Netzwerkrand: Anwendungen, die eine gleichmäßige Inferenz mit niedriger Latenz ohne die Komplexität der Nachbearbeitung mit Non-Maximum Suppression (NMS) benötigen.
- Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26n gegenüber YOLO11n einen klaren Vorteil bietet.
- Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftbilder von Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei sehr kleinen Objekten deutlich steigern.
Die moderne Alternative: Ultralytics YOLO26#
DAMO-YOLO und EfficientDet sind bedeutende Meilensteine der Forschung. Für den praktischen Einsatz ist jedoch oft ein ausgewogenerer, funktionsreicherer und entwicklerfreundlicherer Ansatz gefragt. Ultralytics YOLO26 wurde genau dafür entwickelt.
YOLO26 wurde im Januar 2026 veröffentlicht und baut auf den Vorgängern auf, darunter Ultralytics YOLO11 und YOLOv8. Zugleich vereinfacht YOLO26 das Training und die Bereitstellung von Modellen zur Objekterkennung.
YOLO26 bietet ein natives durchgängiges NMS-freies Design (nms=False). Durch den Verzicht auf Non-Maximum Suppression (NMS) in der Nachverarbeitung – seit Langem ein Engpass bei der Bereitstellung von Objekterkennungsmodellen – ermöglicht YOLO26 eine einfachere und schnellere Bereitstellung, besonders auf Edge-Hardware.
Leistung und Vielseitigkeit#
YOLO26 verbessert neben der Geschwindigkeit auch die Trainingsstabilität und Genauigkeit. Der MuSGD-Optimierer, eine von LLM-Training inspirierte Kombination aus SGD und Muon, sorgt für schnellere Konvergenz und effizienteres Training. Anders als größere Transformer-Alternativen wie RT-DETR benötigt YOLO26 wenig Speicher und lässt sich daher auch auf handelsüblicher Hardware trainieren.
YOLO26 integriert außerdem ProgLoss + STAL, was die Erkennung kleiner Objekte in Anwendungsfällen wie Luftbildern von Drohnen und der Robotik verbessert. Für den Einsatz auf stromsparenden Geräten wurde der Distribution Focal Loss (DFL) entfernt. Dadurch läuft YOLO26n auf der CPU im Vergleich zu YOLO11n bis zu 43 % schneller.
Ökosystem und Benutzerfreundlichkeit#
Eine der größten Herausforderungen bei Modellen wie EfficientDet ist die komplexe Integration. Die Ultralytics Platform bietet stattdessen ein gut gepflegtes, durchgängiges Ökosystem. Dank einer einheitlichen API können Nutzer problemlos zwischen Erkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung und orientierten Begrenzungsrahmen (OBB) wechseln.
Das Training und die Inferenz mit YOLO26 erfordern mit dem Ultralytics-Python-Paket nur wenige Codezeilen:
from ultralytics import YOLO
# Das YOLO26-Nano-Modell laden
model = YOLO("yolo26n.pt")
# Das Modell mit minimalem Speicherbedarf auf deinem eigenen Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Extrem schnelle Inferenz ohne NMS ausführen
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)Fazit#
Der Vergleich von DAMO-YOLO und EfficientDet verdeutlicht die Zielkonflikte zwischen neuronaler Architektursuche und zusammengesetzter Skalierung. Für den Produktiveinsatz werden jedoch auch Tools benötigt, die die Lücke zwischen akademischer Forschung und Bereitstellung schließen.
Für Entwickler, denen Benutzerfreundlichkeit, eine aktive Open-Source-Community und eine gute Balance aus Geschwindigkeit und Genauigkeit wichtig sind, ist Ultralytics YOLO26 die empfohlene Wahl. Seine NMS-freie Architektur, der geringe Trainingsaufwand und die Integration in das Ultralytics-Ökosystem machen es zu einer praktischen Grundlage für dein nächstes Computer-Vision-Projekt.
Kommentare2
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
UltralyticsAssistantUltralytics
👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.
If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.
Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.
Upgrade
Please upgrade to the latest
ultralyticspackage and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:pip install -U ultralyticsEnvironments
YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):
- Notebooks with free GPU:
- Google Cloud Deep Learning VM. See GCP Quickstart Guide
- Amazon Deep Learning AMI. See AWS Quickstart Guide
- Docker Image. See Docker Quickstart Guide
Status
If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.
This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊
Glenn JocherUltralytics(bearbeitet)Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.
The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.
If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.
- Notebooks with free GPU: