DAMO-YOLO vs YOLOv7: Evaluierung von Echtzeit-Objektdetektoren

Die rasante Entwicklung der Computer Vision hat hocheffiziente Objekterkennungsmodelle hervorgebracht, die darauf ausgelegt sind, ein Gleichgewicht zwischen Präzision und Rechenaufwand zu finden. Zwei bemerkenswerte Modelle, die 2022 eingeführt wurden, sind DAMO-YOLO und YOLOv7. Obwohl beide darauf abzielen, die Grenzen von Echtzeit-Vision-Aufgaben zu verschieben, erzielen sie ihre Ergebnisse durch grundlegend unterschiedliche architektonische Ansätze und Trainingsmethoden.

Dieser umfassende technische Vergleich untersucht die unterschiedlichen Ansätze beider Modelle, analysiert ihre Architektur, ihr Bereitstellungspotenzial und ihre Leistungsmetriken, um Machine-Learning-Ingenieuren bei der Auswahl des richtigen Werkzeugs für ihre spezifischen Computer-Vision-Anwendungen zu helfen.

Modellursprung und Metadaten

Bevor wir in die tiefe technische Analyse eintauchen, ist es wichtig, die Ursprünge dieser beiden Computer-Vision-Modelle zu kontextualisieren.

DAMO-YOLO

DAMO-YOLO wurde von Forschern der Alibaba Group entwickelt und eingeführt, um sowohl Geschwindigkeit als auch Genauigkeit durch automatisierte Architektursuche und Destillation zu optimieren.

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

Erfahre mehr über DAMO-YOLO

YOLOv7

YOLOv7 wurde Mitte 2022 als State-of-the-Art veröffentlicht und brachte Echtzeit-Inferenz durch die Einführung trainierbarer "Bag-of-Freebies" weiter voran, ohne die Bereitstellungskosten zu erhöhen.

• Autoren: Chien-Yao Wang, Alexey Bochkovskiy und Hong-Yuan Mark Liao
• Organisation: Institute of Information Science, Academia Sinica, Taiwan
• Datum: 6. Juli 2022
• Arxiv: 2207.02696
• Docs: YOLOv7 Dokumentation

Erfahre mehr über YOLOv7

Architektonische Innovationen

DAMO-YOLO: NAS und Destillation

DAMO-YOLO integriert mehrere modernste Techniken, die auf maximale Effizienz ausgerichtet sind:

• NAS-Backbones: Nutzt Neural Architecture Search (NAS), um automatisch optimale Backbones (MAE-NAS) zu entwerfen, die auf latenzkritische Umgebungen zugeschnitten sind.
• Effizientes RepGFPN: Ein modifiziertes Generalized Feature Pyramid Network, das die Effizienz der Feature-Fusion über mehrere Skalen hinweg erheblich verbessert.
• ZeroHead & AlignedOTA: Integriert einen leichtgewichtigen Detektionskopf und eine optimierte Strategie zur Label-Zuweisung (AlignedOTA), um den Rechenaufwand zu reduzieren.
• Destillationsverbesserung: Nutzt während des Trainings intensiv Wissensdestillation, um die Leistung kleinerer Modellvarianten zu steigern, ohne deren Parameteranzahl zu erhöhen.

YOLOv7: E-ELAN und Bag-of-Freebies

YOLOv7 verfolgte einen eher strukturellen Engineering-Ansatz, der sich auf die Optimierung von Gradientenpfaden und robuste Trainingsstrategien konzentriert.

• E-ELAN-Architektur: Das Extended Efficient Layer Aggregation Network ermöglicht es dem Modell, vielfältigere Merkmale zu erlernen, indem es die kürzesten und längsten Gradientenpfade steuert und so eine effektive Lernkonvergenz sicherstellt.
• Modellskalierung: Führt eine zusammengesetzte Skalierungsmethode ein, die auf Konkatenations-basierte Modelle zugeschnitten ist und Tiefe sowie Breite gleichzeitig für eine strukturelle Ausrichtung skaliert.
• Trainierbare Bag-of-Freebies: Verwendet Techniken wie reparametrisierte Faltungen (RepConv) ohne Identitätsverbindungen und dynamische Label-Zuweisungsstrategien, die die Genauigkeit während des Trainings erhöhen, ohne die Inferenzgeschwindigkeit zu beeinträchtigen.

Leistungsanalyse

Bei der Bewertung der mittleren durchschnittlichen Präzision (mAP), Geschwindigkeit und Effizienz zeigen beide Modelle beeindruckende Metriken, obwohl sie auf etwas unterschiedliche Segmente abzielen. YOLOv7 konzentriert sich stark auf GPU-Bereitstellungen mit hoher Genauigkeit, während die aus NAS abgeleiteten Strukturen von DAMO-YOLO auf eine aggressive CPU- und Edge-Bereitstellung mit niedriger Latenz abzielen.

Wie in den Metriken zu sehen ist, bietet DAMO-YOLO extrem leichtgewichtige Varianten (wie das kleine Modell mit nur 8,5 Mio. Parametern), während YOLOv7 eine höhere Gesamtgenauigkeitsspitze erreicht, wobei YOLOv7x beeindruckende 53,1 mAP auf dem COCO-Datensatz erreicht.

Der Vorteil des Ultralytics-Ökosystems

Während die theoretische Architektur wichtig ist, wird die Praktikabilität eines Modells durch sein Ökosystem bestimmt. Modelle, die von Ultralytics unterstützt werden, wie YOLOv7, profitieren von einem gut gepflegten Ökosystem und einer beispiellosen Benutzerfreundlichkeit.

• Leistungsbilanz: Ultralytics-Modelle erzielen konsistent einen optimalen Kompromiss zwischen Inferenzgeschwindigkeit und Erkennungsgenauigkeit, was sie ideal für Edge-Geräte sowie cloudbasierte Modellbereitstellungen macht.
• Speicheranforderungen: Im Gegensatz zu schwereren Transformer-basierten Modellen behalten Ultralytics YOLO-Modelle während des Trainings niedrige CUDA-Speicheranforderungen bei. Dies ermöglicht größere Batch-Größen und rationalisiert den Trainingsprozess selbst auf Hardware für Endverbraucher.
• Vielseitigkeit: Das Ultralytics-Framework geht über die Objekterkennung hinaus und unterstützt Aufgaben wie Instanzsegmentierung und Posenschätzung, wodurch Entwicklern ein vollständiges Computer-Vision-Toolkit zur Verfügung steht.

Code-Beispiel: Training von YOLOv7 mit Ultralytics

Die Integration von YOLOv7 in deine Computer-Vision-Pipeline ist mit der Ultralytics Python API unglaublich einfach.

from ultralytics import YOLO

# Load a pre-trained YOLOv7 model
model = YOLO("yolov7.pt")

# Train the model on your custom dataset
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference and validate results
metrics = model.val()
predictions = model.predict("https://ultralytics.com/images/bus.jpg", save=True)

Der neue Standard: Wir stellen YOLO26 vor

Während YOLOv7 und DAMO-YOLO 2022 bedeutende Durchbrüche darstellten, schreitet der Bereich der Vision AI schnell voran. Für Teams, die heute neue Projekte starten, wird das hochmoderne Ultralytics YOLO26 empfohlen, das im Januar 2026 veröffentlicht wurde.

YOLO26 bringt einen generationsübergreifenden Sprung in Leistung und Benutzerfreundlichkeit und enthält modernste Innovationen:

• End-to-End NMS-freies Design: YOLO26 ist nativ End-to-End. Durch den Wegfall der Non-Maximum Suppression (NMS)-Nachverarbeitung liefert es eine schnellere und einfachere Bereitstellungslogik – ein Paradigmenwechsel, der ursprünglich von YOLOv10 initiiert wurde.
• MuSGD-Optimierer: Inspiriert von Innovationen bei großen Sprachmodellen wie Kimi K2 von Moonshot AI, verwendet YOLO26 eine Hybridlösung aus SGD und Muon. Dieser Optimierer sorgt für eine hochstabile Trainingsdynamik und deutlich schnellere Konvergenzraten.
• Bis zu 43 % schnellere CPU-Inferenz: Durch die gezielte Entfernung von Distribution Focal Loss (DFL) und tiefgreifende strukturelle Verbesserungen ist YOLO26 stark für stromsparende Edge-Computing-Anwendungen optimiert und übertrifft frühere Generationen auf Hardware ohne GPU.
• ProgLoss + STAL: Integriert fortschrittliche neue Verlustfunktionen, die gezielt die Erkennung kleiner Objekte verbessern – eine wesentliche Fähigkeit für Anwendungen in der Luftbildanalyse, Robotik und Sicherheitsüberwachung.
• Aufgabenspezifische Verbesserungen: Über die Standarddetektion hinaus bietet YOLO26 maßgeschneiderte Erweiterungen für verschiedene Aufgaben, einschließlich Multi-Scale-Prototyping für Segmentierung, RLE für Posenschätzung und spezifische Winkelverluste für Oriented Bounding Boxes (OBB).

Erfahre mehr über YOLO26

Ideale Anwendungsfälle

Die Wahl der richtigen Architektur hängt vollständig von deiner Zielbereitstellungsumgebung und den Projektbeschränkungen ab.

Wann man sich für DAMO-YOLO entscheiden sollte:

• Du arbeitest in stark eingeschränkten, ressourcenbegrenzten Edge-Umgebungen, in denen die reine Parameteranzahl extrem niedrig gehalten werden muss (z. B. Mikrocontroller).
• Du nutzt automatisierte Machine-Learning-Pipelines, die speziell in die proprietären Cloud-Dienste von Alibaba integriert sind.

Wann man sich für YOLOv7 entscheiden sollte:

• Du hast bestehende GPU-Pipelines, die bereits für eine Anker-basierte Inferenz mit hoher Genauigkeit optimiert sind.
• Du arbeitest in Umgebungen, in denen Echtzeitgenauigkeit von größter Bedeutung ist, wie z. B. bei Hochgeschwindigkeits-autonomen Fahrzeugen oder fortschrittlicher Robotik.

Wann man sich für YOLO26 entscheiden sollte (empfohlen):

• Du baust eine neue Computer-Vision-Anwendung von Grund auf neu und benötigst den absoluten Stand der Technik sowohl bei der Präzision als auch bei der CPU/Edge-Inferenzgeschwindigkeit.
• Du benötigst eine schnelle, nahtlose Bereitstellung (z. B. Export nach CoreML oder TensorRT), ohne dich mit NMS-Operator-Beschränkungen auseinandersetzen zu müssen.
• Du möchtest die vollen Funktionen der Ultralytics Platform für Cloud-Training, Datensatzverwaltung und automatisierte Bereitstellung nutzen.

Durch die Nutzung des robusten Ökosystems von Ultralytics-Modellen können Entwickler die Entwicklungszeit drastisch verkürzen und gleichzeitig eine erstklassige Vorhersageleistung für ihre realen Anwendungen sicherstellen.