DAMO-YOLO vs. YOLOv10#

Der Bereich der Computer Vision hat eine rasante Entwicklung von Echtzeitarchitekturen zur Objekterkennung erlebt. Beim Vergleich von DAMO-YOLO und YOLOv10 beobachten wir zwei unterschiedliche Ansätze beim Modelldesign: die automatisierte Architektursuche gegenüber der End-to-End-Optimierung ohne NMS. Beide erweitern die Grenzen von Genauigkeit und Geschwindigkeit, doch ihre zugrunde liegenden Strukturen und idealen Einsatzbereiche unterscheiden sich deutlich.

DAMO-YOLO: Neuronale Architektursuche im großen Maßstab#

DAMO-YOLO wurde von der Alibaba Group entwickelt und ist ein leistungsstarker Detektor, der auf automatisierte Verfahren zur strukturellen Effizienzsteigerung setzt.

• 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 Merkmale#

DAMO-YOLO setzt stark auf Neural Architecture Search (NAS), um Leistung und Latenz auszugleichen. Das Backbone mit der Bezeichnung MAE-NAS nutzt eine an der Maximaleentropie ausgerichtete Suche unter strengen Rechenbudgets, um die optimale Schichttiefe und -breite zu finden.

Für die Feature-Fusion über mehrere Maßstabsebenen verwendet das Modell ein effizientes RepGFPN (reparametrisiertes generalisiertes Feature-Pyramid-Netzwerk). Dieses aufwendige Neck-Design eignet sich besonders gut zur Erfassung komplexer räumlicher Hierarchien und ist dadurch beispielsweise für die Analyse von Luftbildern nützlich. Zusätzlich führt DAMO-YOLO den ZeroHead ein, einen schlanken Erkennungskopf, der die Komplexität der abschließenden Vorhersageschichten deutlich reduziert und während des Trainings auf einem robusten Verfahren zur Optimierung durch Wissensdestillation beruht.

Erfahre mehr über DAMO-YOLO

YOLOv10: Wegweisende Objekterkennung von Anfang bis Ende#

YOLOv10 wurde anderthalb Jahre später veröffentlicht und leitete einen Paradigmenwechsel ein, indem es die Notwendigkeit der Nicht-Maximum-Unterdrückung (NMS) während der Inferenz vollständig beseitigte.

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

Architektonische Merkmale#

Das herausragende Merkmal von YOLOv10 sind die konsistenten dualen Zuordnungen für das Training ohne NMS. Herkömmliche Detektoren sagen für ein einzelnes Objekt mehrere überlappende Begrenzungsrahmen voraus, weshalb NMS zum Herausfiltern von Duplikaten erforderlich ist. Dieser Nachverarbeitungsschritt stellt insbesondere auf Edge-Geräten einen Engpass dar. YOLOv10 löst dieses Problem, indem das Modell auf natürliche Weise einen einzelnen, präzisen Begrenzungsrahmen pro Objekt vorhersagt.

Die Autoren konzentrierten sich außerdem auf ein ganzheitliches, von Effizienz und Genauigkeit bestimmtes Modelldesign. Durch eine sorgfältige Analyse der Rechenredundanz in bestehenden Architekturen optimierten sie Backbone und Kopf, um die Anzahl der FLOPs und Parameter zu reduzieren. Dieses leichte Design stellt sicher, dass YOLOv10 beim Export in Formate wie TensorRT oder OpenVINO eine außergewöhnlich niedrige Inferenzlatenz erzielt.

Erfahre mehr über YOLOv10

Leistung und Benchmarks#

Die folgende Tabelle zeigt die unverarbeiteten Leistungskennzahlen auf dem COCO-Datensatz. Die jeweils besten Gesamtwerte jeder Spalte sind fett hervorgehoben.

DAMO-YOLO kann hinsichtlich der Genauigkeit zwar mithalten, doch YOLOv10 bietet durchgängig eine niedrigere Latenz und deutlich kleinere Modellgewichte. YOLOv10s erzielt beispielsweise mit 46,7 % eine etwas höhere mAP als DAMO-YOLOs mit 46,0 %, verwendet dabei jedoch weniger als halb so viele Parameter (7,2 Mio. gegenüber 16,3 Mio.). Der geringere Speicherbedarf macht YOLOv10 zu einer außergewöhnlich vielseitigen Wahl für eingebettete Systeme.

Trainingseffizienz und Benutzerfreundlichkeit#

Beim Übergang von der akademischen Forschung zur Produktion ist die Benutzerfreundlichkeit entscheidend. Der mehrstufige Destillationsprozess und die komplexen NAS-Konfigurationen von DAMO-YOLO können für Entwicklungsteams eine steile Lernkurve bedeuten.

YOLOv10 profitiert dagegen erheblich davon, vollständig in das Ultralytics Python SDK integriert zu sein. Das Training eines benutzerdefinierten Modells erfordert nur wenig zusätzlichen Code. Ultralytics übernimmt Datenerweiterung, Hyperparameteroptimierung und Experimentverfolgung 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()

Praxisnahe Anwendungsfälle#

• Intelligenter Einzelhandel (DAMO-YOLO): Die Genauigkeit von DAMO-YOLO eignet sich gut für Serverumgebungen mit hoher Dichte, in denen das Kundenverhalten analysiert wird, GPUs in großer Zahl verfügbar sind und Echtzeitengpässe durch NMS beherrschbar bleiben.
• Autonome Fahrzeuge (YOLOv10): Die Architektur ohne NMS garantiert eine deterministische, vorhersehbare Latenz, was für Sicherheitssysteme beim autonomen Fahren entscheidend ist.
• Industrielle Automatisierung (YOLOv10): Die Erkennung von Defekten auf schnell laufenden Montagelinien erfordert Modelle, die die Geschwindigkeit der Echtzeitinferenz maximieren, ohne große Mengen an VRAM zu verbrauchen. Damit ist YOLOv10 ein erstklassiger Kandidat für den Einsatz auf Edge-Geräten.

Anwendungsfälle und Empfehlungen#

Die Wahl zwischen DAMO-YOLO und YOLOv10 hängt von deinen spezifischen Projektanforderungen, Einsatzbeschränkungen und Präferenzen hinsichtlich des Ökosystems ab.

Wann du DAMO-YOLO wählen solltest#

DAMO-YOLO ist eine gute Wahl für:

• Videoanalyse mit hohem Durchsatz: Verarbeitung von Videostreams mit hoher Bildrate auf fest installierter NVIDIA-GPU-Infrastruktur, bei der der Durchsatz mit Batchgröße 1 die wichtigste Kennzahl ist.
• Industrielle Fertigungslinien: Szenarien mit strengen GPU-Latenzvorgaben auf dedizierter Hardware, beispielsweise die Qualitätsprüfung in Echtzeit an Montagelinien.
• Forschung zur neuronalen Architektursuche: Untersuchung der Auswirkungen automatisierter Architektursuche (MAE-NAS) und effizienter reparametrisierter Backbones auf die Erkennungsleistung.

Wann du YOLOv10 wählen solltest#

YOLOv10 wird empfohlen für:

• NMS-freie Echtzeiterkennung: Anwendungen, die von einer End-to-End-Erkennung ohne Nichtmaximale Unterdrückung profitieren und dadurch die Komplexität der Bereitstellung reduzieren.
• Ausgewogene Kompromisse zwischen Geschwindigkeit und Genauigkeit: Projekte, die über verschiedene Modellgrößen hinweg ein ausgewogenes Verhältnis zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit erfordern.
• Anwendungen mit konsistenter 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 Entwicklerfreundlichkeit:

• Edge-Bereitstellungen ohne NMS: Anwendungen, die eine konsistente Inferenz mit geringer Latenz ohne die Komplexität der Nachverarbeitung zur Nichtmaximalunterdrückung erfordern.
• Umgebungen ausschließlich 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 mit Drohnen oder die Analyse von IoT-Sensoren, bei denen ProgLoss und STAL die Genauigkeit bei winzigen Objekten deutlich steigern.

Die nächste Generation: Ultralytics YOLO26#

YOLOv10 legte zwar den Grundstein für die Objekterkennung ohne NMS, doch die Technologie hat sich rasant weiterentwickelt. Für moderne Anwendungen bietet das Ultralytics YOLO26-Modell eine beispiellose Leistung und Benutzerfreundlichkeit, indem es die Stärken früherer Generationen übernimmt und für den Produktionseinsatz weiterentwickelt.

YOLO26 verfügt über ein von Natur aus End-to-End-Design, das die NMS-Nachbearbeitung für einfachere Bereitstellungspipelines auf Edge-Geräten überflüssig macht. Darüber hinaus hat das Entfernen von Distribution Focal Loss (DFL) die Kompatibilität mit stromsparenden Edge-KI-Geräten drastisch verbessert.

Auf der Trainingsseite führt YOLO26 den MuSGD-Optimierer ein, einen hybriden Ansatz, der von Trainingstechniken für große Sprachmodelle (LLM) inspiriert ist. Dadurch werden ein stabileres Training und eine schnellere Konvergenz gewährleistet. In Kombination mit den ProgLoss + STAL-Verlustfunktionen zeigt YOLO26 bemerkenswerte Verbesserungen bei der Erkennung kleiner Objekte – ein entscheidendes Merkmal für den Wildtierschutz und Drohnenoperationen.

Entscheidend ist, dass YOLO26 nicht nur ein Objektdetektor ist. Es bietet umfassende, aufgabenspezifische Verbesserungen und unterstützt nativ Instanzsegmentierung, Posenschätzung mithilfe der Schätzung der Log-Likelihood von Residuen (RLE) sowie spezielle Winkelverluste für orientierte Begrenzungsrahmen (OBB). Mit einer bis zu 43 % höheren CPU-Inferenzgeschwindigkeit als seine Vorgänger ist es die definitive Wahl für agile Entwicklungsteams.

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

Entwickler, die sich für weitere aktuelle Entwicklungen interessieren, können auch Ultralytics YOLO11 oder das transformerbasierte RT-DETR-Framework für Szenarien evaluieren, die unterschiedliche Architekturlösungen erfordern.