DAMO-YOLO vs. YOLOv10#

Das Feld der Computer Vision hat eine rasante Entwicklung bei Architekturen für object detection in Echtzeit erlebt. Beim Vergleich von DAMO-YOLO und YOLOv10 beobachten wir zwei unterschiedliche Philosophien im Modelldesign: automatisierte Architektursuche versus End-to-End-NMS-freie Optimierung. Während beide die Grenzen von Genauigkeit und Geschwindigkeit verschieben, unterscheiden sich ihre zugrunde liegenden Strukturen und idealen Anwendungsbereiche erheblich.

DAMO-YOLO: Neural Architecture Search in großem Maßstab#

Entwickelt von der Alibaba Group, hat sich DAMO-YOLO als leistungsstarker Detektor etabliert, der sich auf die Nutzung automatisierter Entdeckung für strukturelle Effizienz konzentriert.

• Autoren: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang und Xiuyu Sun
• Datum: 23. November 2022
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO

Architektonische Highlights#

DAMO-YOLO verlässt sich stark auf Neural Architecture Search (NAS), um Leistung und Latenz auszubalancieren. Sein Backbone, MAE-NAS genannt, verwendet eine evolutionäre Suche mit mehreren Zielen unter strengen Rechenbudgets, um die optimale Schichttiefe und -breite zu finden.

Zur Handhabung der Merkmalsfusion über verschiedene Skalen hinweg verwendet das Modell ein effizientes RepGFPN (Reparameterized Generalized Feature Pyramid Network). Dieses Design mit schwerem Backbone-Neck-Bereich eignet sich besonders gut für die Extraktion komplexer räumlicher Hierarchien, wodurch es in Szenarien wie der aerial imagery analysis nützlich ist. Darüber hinaus führt DAMO-YOLO den ZeroHead ein, einen schlanken Detektionskopf, der die Komplexität der finalen Vorhersageschichten stark reduziert und während des Trainings auf einen robusten Destillations-Verbesserungsprozess setzt.

Erfahre mehr über DAMO-YOLO

YOLOv10: Pionierarbeit bei der End-to-End-Objekterkennung#

Eineinhalb Jahre später veröffentlicht, führte YOLOv10 einen Paradigmenwechsel ein, indem es die Notwendigkeit für Non-Maximum Suppression (NMS) während der Inferenz vollständig eliminierte.

• Autoren: Ao Wang, Hui Chen, Lihao Liu, et al.
• Organisation: Tsinghua University
• Datum: 23. Mai 2024
• Arxiv: 2405.14458
• Docs: Ultralytics YOLOv10

Architektonische Highlights#

Das herausragende Merkmal von YOLOv10 sind seine konsistenten dualen Zuweisungen für NMS-freies Training. Herkömmliche Detektoren sagen mehrere überlappende Bounding Boxes für ein einzelnes Objekt voraus, was NMS erfordert, um Duplikate zu filtern. Dieser Nachbearbeitungsschritt schafft einen Engpass, insbesondere auf Edge-Geräten. YOLOv10 löst dies, indem es dem Modell ermöglicht, auf natürliche Weise eine einzelne, genaue Bounding Box pro Objekt vorherzusagen.

Die Autoren konzentrierten sich zudem auf ein ganzheitlich auf Effizienz und Genauigkeit ausgerichtetes Modelldesign. Durch sorgfältige Analyse der Rechenredundanz in bestehenden Architekturen optimierten sie das Backbone und den Kopf, um die Anzahl der FLOPs und Parameter zu reduzieren. Dieses leichtgewichtige Design stellt sicher, dass YOLOv10 beim Export in Formate wie TensorRT oder OpenVINO eine außergewöhnliche Inferenzlatenz liefert.

Erfahre mehr über YOLOv10

Leistung und Benchmarks#

Die folgende Tabelle veranschaulicht die rohen Leistungskennzahlen auf dem COCO dataset. Die besten Gesamtwerte in jeder Spalte sind fett hervorgehoben.

Während DAMO-YOLO hinsichtlich der Genauigkeit gut mithalten kann, bietet YOLOv10 durchgehend eine geringere Latenz und deutlich kleinere model weights. Beispielsweise erreicht YOLOv10s eine etwas höhere mAP (46,7 %) als DAMO-YOLOs (46,0 %), während es weniger als die Hälfte der Parameter verwendet (7,2M im Vergleich zu 16,3M). Die geringeren memory requirements machen YOLOv10 zu einer außergewöhnlich vielseitigen Wahl für eingebettete Systeme.

Trainingseffizienz und Benutzerfreundlichkeit#

Beim Übergang von der akademischen Forschung in die Produktion ist die Benutzerfreundlichkeit von größter Bedeutung. Der mehrstufige Destillationsprozess und die komplexen NAS-Konfigurationen von DAMO-YOLO können für Engineering-Teams eine steile Lernkurve darstellen.

Umgekehrt profitiert YOLOv10 enorm davon, vollständig in das Ultralytics Python SDK integriert zu sein. Das Training eines benutzerdefinierten Modells erfordert nur minimalen Boilerplate-Code. Ultralytics übernimmt data augmentation, hyperparameter tuning und experiment tracking automatisch.

from ultralytics import YOLO

# Load a pretrained YOLOv10 nano model
model = YOLO("yolov10n.pt")

# Train on a custom dataset with built-in validation
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run inference on an image seamlessly
prediction = model("path/to/image.jpg")
prediction[0].show()

Anwendungsfälle aus der Praxis#

• Smart Retail (DAMO-YOLO): Die Genauigkeit von DAMO-YOLO eignet sich gut für hochdichte Serverumgebungen zur Analyse von customer behavior, in denen GPUs reichlich vorhanden sind und Engpässe durch Echtzeit-NMS handhabbar sind.
• Autonome Fahrzeuge (YOLOv10): Die NMS-freie Architektur garantiert eine deterministische, vorhersehbare Latenz, die für Sicherheitssysteme beim autonomous driving von entscheidender Bedeutung ist.
• Industrielle Automatisierung (YOLOv10): Das Erkennen von Defekten an schnell fließenden Montagebändern erfordert Modelle, die real-time inference-Geschwindigkeiten maximieren, ohne riesigen VRAM zu verbrauchen, was YOLOv10 zu einem erstklassigen Kandidaten für Edge-Deployments macht.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen DAMO-YOLO und YOLOv10 hängt von deinen spezifischen Projektanforderungen, Bereitstellungseinschränkungen und Ökosystempräferenzen ab.

Wann du dich für DAMO-YOLO entscheiden solltest#

DAMO-YOLO ist eine gute Wahl für:

• Hochdurchsatz-Videoanalytik: Verarbeitung von Video-Streams mit hoher FPS auf fester NVIDIA-GPU-Infrastruktur, bei der der Durchsatz bei Batch-Größe 1 die primäre Metrik ist.
• Industrielle Fertigungslinien: Szenarien mit strengen GPU-Latenzbeschränkungen auf dedizierter Hardware, wie z. B. Qualitätsprüfung in Echtzeit an Montagelinien.
• Forschung zur Neural Architecture Search: Untersuchung der Auswirkungen von automatisierter Architektursuche (MAE-NAS) und effizienten, reparametrisierten Backbones auf die Erkennungsleistung.

Wann du dich für YOLOv10 entscheiden solltest#

YOLOv10 wird empfohlen für:

• NMS-freie Echtzeiterkennung: Anwendungen, die von einer End-to-End-Erkennung ohne Non-Maximum Suppression profitieren, was die Komplexität der Bereitstellung reduziert.
• Ausgewogene Speed-Accuracy-Tradeoffs: Projekte, die eine gute Balance zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit über verschiedene Modellgrößen hinweg erfordern.
• Anwendungen mit konstanter Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, wie zum Beispiel in der Robotik oder bei autonomen Systemen.

Wann du Ultralytics wählen solltest (YOLO26)#

Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:

• NMS-freies Edge-Deployment: Anwendungen, die eine konsistente Inferenz mit niedriger Latenz ohne die Komplexität der Non-Maximum Suppression-Nachverarbeitung erfordern.
• Umgebungen nur mit CPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 einen entscheidenden Vorteil bietet.
• Erkennung kleiner Objekte: Anspruchsvolle Szenarien wie Luftaufnahmen von Drohnen oder IoT-Sensoranalysen, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten deutlich erhöhen.

Die nächste Generation: Hier kommt Ultralytics YOLO26#

Während YOLOv10 den Grundstein für die NMS-freie Erkennung legte, hat sich die Technologie schnell weiterentwickelt. Für moderne Anwendungen bietet das Ultralytics YOLO26-Modell beispiellose Leistung und Benutzerfreundlichkeit, indem es das Beste der vorherigen Generationen nimmt und für die Produktion verfeinert.

YOLO26 verfügt über ein streng nativ end-to-end gestaltetes Design, das die NMS-Nachbearbeitung für einfachere Bereitstellungspipelines über Edge-Geräte hinweg überflüssig macht. Darüber hinaus hat der Wegfall von Distribution Focal Loss (DFL) die Kompatibilität mit leistungsschwachen edge AI-Gegenständen drastisch verbessert.

Auf der Trainingsseite führt YOLO26 den MuSGD Optimizer ein, einen Hybriden, der von Techniken zum Training großer Sprachmodelle (LLM) inspiriert ist. Dies sorgt für ein stabileres Training und eine schnellere Konvergenz. Gekoppelt mit den Verlustfunktionen ProgLoss + STAL zeigt YOLO26 bemerkenswerte Verbesserungen bei der Erkennung kleiner Objekte, einem kritischen Merkmal für wildlife conservation und drone operations.

Entscheidend ist, dass YOLO26 nicht nur ein Objektdetektor ist. Es bietet durch die Bank aufgabenspezifische Verbesserungen, unterstützt nativ Instance Segmentation, Pose Estimation mittels Residual Log-Likelihood Estimation (RLE) und spezialisierte Winkelverluste für Oriented Bounding Boxes (OBB). Mit einer bis zu 43 % schnelleren CPU-Inferenz als seine Vorgänger ist es die definitive Wahl für agile Engineering-Teams.

Für die zentrale Verwaltung, Annotation und das Cloud-Training von YOLO26-Modellen bietet die Ultralytics Platform eine intuitive Benutzeroberfläche, die den gesamten Computer-Vision-Lebenszyklus optimiert.

Entwickler, die daran interessiert sind, andere neuere Fortschritte zu erkunden, können auch Ultralytics YOLO11 oder das transformerbasierte RT-DETR-Framework für Szenarien evaluieren, die unterschiedliche architektonische Lösungen erfordern.