DAMO-YOLO vs. YOLOv10
Echtzeitarchitekturen zur Objekterkennung haben sich in der Computervision rasant weiterentwickelt. DAMO-YOLO und YOLOv10 stehen für zwei unterschiedliche Entwicklungsansätze: automatisierte Architektursuche und End-to-End-Optimierung ohne NMS. Beide verbessern Genauigkeit und Geschwindigkeit, doch ihre grundlegenden Strukturen und optimalen Einsatzbereiche unterscheiden sich deutlich.
DAMO-YOLO: Neuronale Architektursuche im großen Maßstab#
DAMO-YOLO wurde von der Alibaba Group entwickelt und ist ein Detektor, der durch automatisierte Architektursuche eine effiziente Struktur erzielt.
- 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
Architekturmerkmale#
DAMO-YOLO setzt stark auf neuronale Architektursuche (NAS), um Leistung und Latenz auszubalancieren. Sein Backbone MAE-NAS nutzt eine Suche mit maximaler Entropie unter strengen Rechenbudgets, um die optimale Tiefe und Breite der Schichten zu ermitteln.
Für die skalenübergreifende Merkmalsfusion verwendet das Modell ein effizientes RepGFPN (reparametrisiertes verallgemeinertes Feature-Pyramid-Netzwerk). Dieses Design mit einem umfangreichen Neck eignet sich gut zum Extrahieren komplexer räumlicher Hierarchien und ist daher beispielsweise für die Analyse von Luftaufnahmen nützlich. DAMO-YOLO führt außerdem ZeroHead ein, einen schlanken Erkennungskopf, der die Komplexität der letzten Vorhersageschichten deutlich reduziert. Beim Training kommt zudem ein Verfahren zur Verbesserung durch Destillation zum Einsatz.
DAMO-YOLO verwendet häufig ein mehrstufiges Wissensdestillationsverfahren. Dafür muss ein umfangreicheres „Lehrermodell“ trainiert werden, das das kleinere „Schülermodell“ anleitet. So wird eine höhere mAP (mittlere durchschnittliche Präzision) erzielt, doch die benötigte GPU-Rechenzeit steigt erheblich.
YOLOv10: NMS-freie Echtzeit-Detektion#
YOLOv10 wurde eineinhalb Jahre später veröffentlicht und machte die Nichtmaximalunterdrückung (NMS) während der Inferenz überflüssig.
- Autoren: Ao Wang, Hui Chen, Lihao Liu u. a.
- Organisation: Tsinghua-Universität
- Datum: 23. Mai 2024
- arXiv: 2405.14458
- Dokumentation: Ultralytics YOLOv10
Architekturmerkmale#
Das herausragende Merkmal von YOLOv10 sind die konsistenten dualen Zuweisungen für das Training ohne NMS. Herkömmliche Detektoren sagen für ein einzelnes Objekt mehrere überlappende Begrenzungsrahmen voraus, die durch NMS gefiltert werden müssen, um Duplikate zu entfernen. Dieser Nachverarbeitungsschritt wird zum Engpass, besonders auf Edge-Geräten. YOLOv10 löst dieses Problem, indem das Modell auf natürliche Weise einen einzelnen, präzisen Begrenzungsrahmen pro Objekt vorhersagt.
Die Autoren konzentrierten sich außerdem auf einen ganzheitlichen Entwurf, der Effizienz und Genauigkeit gleichermaßen berücksichtigt. Durch die sorgfältige Analyse redundanter Berechnungen in bestehenden Architekturen optimierten sie Backbone und Kopf, um die Anzahl der FLOPs und Parameter zu verringern. Dank dieses leichten Designs hat YOLOv10 eine geringe Inferenzlatenz, wenn das Modell in Formate wie TensorRT oder OpenVINO exportiert wird.
Leistung und Benchmarks#
Die folgende Tabelle zeigt die unverarbeiteten Leistungskennzahlen auf dem COCO-Datensatz. Die jeweils besten Gesamtwerte pro Spalte sind fett hervorgehoben.
| 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 |
| YOLOv10n | 640 | 38.5 | - | 1.84 | 2.3 | 6.7 |
| YOLOv10s | 640 | 46.3 | - | 2.49 | 7.2 | 21.6 |
| YOLOv10m | 640 | 51.1 | - | 4.74 | 15.4 | 59.1 |
| YOLOv10b | 640 | 52.5 | - | 5.74 | 19.1 | 92.0 |
| YOLOv10l | 640 | 53.2 | - | 7.28 | 24.4 | 120.3 |
| YOLOv10x | 640 | 54.4 | - | 10.70 | 29.5 | 160.4 |
DAMO-YOLO erzielt zwar eine gute Genauigkeit, doch YOLOv10 ist bei vergleichbarer Größe genauer und benötigt deutlich weniger Modellgewichte. YOLOv10s erreicht beispielsweise mit einer mAP von 46,3 % eine etwas höhere Genauigkeit als DAMO-YOLOs mit 46,0 % und benötigt dabei weniger als halb so viele Parameter (7,2 Mio. gegenüber 16,3 Mio.). Der geringere Speicherbedarf macht YOLOv10 zu einer vielseitigen Wahl für eingebettete Systeme.
Trainingseffizienz und Benutzerfreundlichkeit#
Beim Übergang von der akademischen Forschung zur Produktion ist eine einfache Bedienung entscheidend. Das mehrstufige Destillationsverfahren und die komplexen NAS-Konfigurationen von DAMO-YOLO stellen Entwicklungsteams vor eine steile Lernkurve.
YOLOv10 ist dagegen vollständig in das Ultralytics-Python-Paket integriert. Für das Training eines benutzerdefinierten Modells ist nur minimaler Boilerplate-Code nötig. Ultralytics übernimmt Datenerweiterung, Hyperparameteroptimierung und Experimentverfolgung automatisch.
from ultralytics import YOLO
# Ein vortrainiertes YOLOv10-Nano-Modell laden
model = YOLO("yolov10n.pt")
# Mit integrierter Validierung auf einem benutzerdefinierten Datensatz trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Eine Inferenz auf einem Bild ausführen
prediction = model("path/to/image.jpg")
prediction[0].show()Mit dem Ultralytics-Ökosystem können Entwickler mit wenigen Codezeilen vom Prototyp zu einem vollständig exportierten ONNX-Modell gelangen und dabei die komplexe Einrichtung der Umgebungen umgehen, die ältere Frameworks erfordern.
Anwendungsfälle in der Praxis#
- Intelligenter Einzelhandel (DAMO-YOLO): Die Genauigkeit von DAMO-YOLO eignet sich gut für Serverumgebungen mit hoher Dichte, in denen Kundenverhalten analysiert wird, GPUs reichlich verfügbar sind und sich Engpässe durch NMS in Echtzeit bewältigen lassen.
- Autonome Fahrzeuge (YOLOv10): Die Architektur ohne NMS bietet eine vorhersehbare Latenz, die für Sicherheitssysteme beim autonomen Fahren entscheidend ist.
- Industrieautomatisierung (YOLOv10): Für die Fehlererkennung auf schnell laufenden Montagelinien braucht es Modelle, die die Geschwindigkeit der Echtzeitinferenz maximieren, ohne viel VRAM zu verbrauchen. Damit ist YOLOv10 eine überzeugende Option für den Einsatz am Netzwerkrand.
Anwendungsfälle und Empfehlungen#
Die Wahl zwischen DAMO-YOLO und YOLOv10 hängt von deinen spezifischen Projektanforderungen, Bereitstellungseinschränkungen und Präferenzen für das 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 YOLOv10 wählen solltest#
YOLOv10 empfiehlt sich für:
- Echtzeiterkennung ohne NMS: Anwendungen, die von einer durchgängigen Erkennung ohne Non-Maximum Suppression profitieren und dadurch die Komplexität der Bereitstellung verringern.
- Ausgewogenes Verhältnis von Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
- Anwendungen mit gleichbleibender Latenz: Bereitstellungsszenarien, in denen vorhersehbare Inferenzzeiten entscheidend sind, etwa in der Robotik oder bei autonomen Systemen.
Wann du Ultralytics (YOLO26) wählen solltest#
Für die meisten neuen Projekte bietet Ultralytics YOLO26 die beste Kombination aus Leistung und Entwicklererfahrung:
- NMS-freie Bereitstellung auf Edge-Geräten: Anwendungen, die eine gleichbleibende Inferenz mit geringer Latenz ohne die Komplexität der Nachbearbeitung durch Non-Maximum Suppression erfordern.
- Umgebungen ohne GPU: Geräte ohne dedizierte GPU-Beschleunigung, bei denen die bis zu 43 % schnellere CPU-Inferenz von YOLO26 (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 nächste Generation: Ultralytics YOLO26 ist da#
YOLOv10 legte zwar den Grundstein für die Erkennung ohne NMS, doch die Technologie hat sich rasant weiterentwickelt. Für moderne Anwendungen verbindet das Modell Ultralytics YOLO26 hohe Leistung mit einfacher Bedienbarkeit und führt die besten Ideen früherer Generationen für den Produktionseinsatz weiter.
YOLO26 verfügt über einen nativen End-to-End-Modus (nms=False), der die Nachverarbeitung durch NMS überspringt und so die Bereitstellung auf Edge-Geräten vereinfacht. Der Wegfall des Verteilungs-Focal-Loss (DFL) verbessert außerdem die Kompatibilität mit stromsparender Edge-KI-Hardware.
Für das Training führt YOLO26 den MuSGD-Optimierer ein, einen hybriden Optimierer, der von Trainingstechniken für große Sprachmodelle (LLM) inspiriert ist und für stabileres Training sowie schnellere Konvergenz sorgt. Zusammen mit ProgLoss + STAL (progressiver Verlust und Labelzuweisung unter Berücksichtigung kleiner Ziele) verbessert YOLO26 die Erkennung kleiner Objekte – eine entscheidende Funktion für den Wildtierschutz und den Drohneneinsatz.
YOLO26 ist mehr als ein Objektdetektor. Das Modell bietet aufgabenbezogene Verbesserungen und unterstützt nativ die Instanzsegmentierung, die Posenschätzung mit Residual-Log-Likelihood-Schätzung (RLE) sowie spezielle Winkelverluste für orientierte Begrenzungsrahmen (OBB). Da YOLO26n bis zu 43 % schneller auf der CPU läuft als YOLO11n, ist das Modell die empfohlene Wahl für agile Entwicklungsteams.
Für die zentrale Verwaltung, Annotation und das Cloud-Training von YOLO26-Modellen bietet die Ultralytics Platform eine intuitive Oberfläche, die den gesamten Computer-Vision-Lebenszyklus vereinfacht.
Entwickler, die weitere aktuelle Fortschritte erkunden möchten, können auch Ultralytics YOLO11 oder das transformerbasierte Framework RT-DETR für Anwendungsfälle mit anderen Architekturansätzen bewerten.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.