YOLOv6-3.0 im Vergleich zu DAMO-YOLO
Das Feld der Computer Vision entwickelt sich ständig weiter, und neue Architekturen verbessern Geschwindigkeit und Genauigkeit der Echtzeit-Objekterkennung. Zwei bemerkenswerte Modelle in diesem Bereich sind YOLOv6-3.0 und DAMO-YOLO. Beide Modelle bieten einzigartige Architekturinnovationen, die auf maximale Leistung mit industrieller Hardware ausgelegt sind. Dieser Leitfaden vergleicht die beiden Modelle ausführlich und geht auf ihre Architekturen, Trainingsmethoden und idealen Anwendungsfälle ein. Außerdem stellt er die Vorteile der nächsten Generation von Ultralytics-Modellen wie YOLO26 vor.
Modellprofile#
YOLOv6-3.0: Durchsatz auf Industrieniveau#
YOLOv6-3.0 wurde von der Vision-AI-Abteilung von Meituan entwickelt und ist gezielt für industrielle Anwendungen mit hohem Durchsatz ausgelegt. Das Modell konzentriert sich stark auf maximale Leistung mit Hardwarebeschleunigern wie NVIDIA-GPUs.
- Autoren: Chuyi Li, Lulu Li, Yifei Geng et al.
- Organisation: Meituan
- Datum: 2023-01-13
- arXiv: 2301.05586
- GitHub: meituan/YOLOv6
- Dokumentation: Ultralytics-Dokumentation zu YOLOv6
YOLOv6-3.0 bietet ein Bi-directional Concatenation (BiC)-Modul zur Verbesserung der Merkmalsfusion und verwendet eine Strategie namens Anchor-Aided Training (AAT). Diese Strategie verbindet beim Training die Vorteile von Detektoren mit Ankern und ankerfreien Detektoren, während die Inferenz strikt ankerfrei bleibt. Das EfficientRep-Backbone ist besonders hardwarefreundlich bei der GPU-Stapelverarbeitung und eignet sich daher für groß angelegte Anwendungen zum Verstehen von Videos.
DAMO-YOLO: Schnell und genau dank NAS#
DAMO-YOLO wurde von der Alibaba Group entwickelt und nutzt die Suche nach neuronalen Architekturen (NAS), um automatisch die effizientesten Backbone-Strukturen für die Echtzeit-Inferenz zu finden.
- Autoren: Xianzhe Xu, Yiqi Jiang, Weihua Chen u. a.
- Organisation: Alibaba Group
- Datum: 2022-11-23
- arXiv: 2211.15444v2
- GitHub: tinyvision/DAMO-YOLO
DAMO-YOLO zeichnet sich durch RepGFPN (Reparameterized Generalized Feature Pyramid Network) zur effizienten Fusion von Merkmalen verschiedener Skalen und sein ZeroHead-Design aus, das den Rechenaufwand im Erkennungskopf deutlich verringert. Außerdem nutzt das Modell AlignedOTA zur Labelzuweisung und Wissensdestillation, um die Genauigkeit zu steigern, ohne die Parameteranzahl des Modells zu erhöhen.
DAMO-YOLO erzielt zwar eine hervorragende Genauigkeit, ist beim Training jedoch stark auf Wissensdestillation angewiesen, wofür ein deutlich größeres „Lehrermodell“ erforderlich ist. Dadurch steigt der benötigte CUDA-Speicher während des Trainings im Vergleich zu einfacheren Architekturen erheblich.
Leistungsvergleich#
Bei der Bewertung von Objekterkennungsmodellen ist das Verhältnis zwischen mittlerer durchschnittlicher Präzision (mAP) und Inferenzgeschwindigkeit entscheidend. Im Folgenden findest du einen detaillierten Vergleich von YOLOv6-3.0 und DAMO-YOLO bei verschiedenen Modellgrößen.
| Modell | Größe (Pixel) | mAPval50-95 | Geschwindigkeit CPU ONNX (ms) | Geschwindigkeit T4 TensorRT10 (ms) | Parameter (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv6-3.0n | 640 | 37.5 | - | 1.17 | 4.7 | 11.4 |
| YOLOv6-3.0s | 640 | 45.0 | - | 2.66 | 18.5 | 45.3 |
| YOLOv6-3.0m | 640 | 50.0 | - | 5.28 | 34.9 | 85.8 |
| YOLOv6-3.0l | 640 | 52.8 | - | 8.95 | 59.6 | 150.7 |
| 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 |
YOLOv6-3.0 bietet auf NVIDIA-GPUs eine hohe Geschwindigkeit mit TensorRT-Optimierungen, insbesondere in den Nano- und Small-Varianten. Die durch NAS optimierten Backbones von DAMO-YOLO benötigen bei mittleren und großen Modellgrößen jedoch tendenziell weniger FLOPs, was bei umfangreicheren Bereitstellungen zu leichten Latenzvorteilen führt.
Der Ultralytics-Vorteil: YOLO26 ist da#
YOLOv6-3.0 und DAMO-YOLO sind leistungsstarke Werkzeuge, doch Entwickler stoßen häufig auf komplexe Bereitstellungspipelines, einen hohen Speicherbedarf beim Training und starre Architekturen für nur eine Aufgabe. Das Ultralytics-Ökosystem bietet eine unkompliziertere Nutzung.
YOLO26 ist das neueste Ultralytics-Modell. Das im Januar 2026 veröffentlichte Ultralytics YOLO26 verbessert sowohl die Effizienz als auch die Vielseitigkeit.
Wichtige Neuerungen in YOLO26#
- End-to-End-Design ohne NMS: Aufbauend auf dem NMS-freien Training, das YOLOv10 in YOLO-Modelle eingeführt hat, entfernt der optionale One-to-One-Kopf von YOLO26 (
nms=False) die NMS-Nachverarbeitung. Das verringert die Latenzschwankungen und vereinfacht die Bereitstellung auf Edge-Geräten über CoreML oder LiteRT. - Entfernung von DFL: Durch den Wegfall von Distribution Focal Loss vereinfacht YOLO26 den Export und verbessert die Kompatibilität mit leistungsschwacher Edge-Hardware.
- Bis zu 43 % schnellere CPU-Inferenz: Bei Anwendungen ohne dedizierte GPU-Hardware läuft YOLO26n auf einer CPU bis zu 43 % schneller als YOLO11n.
- MuSGD-Optimierer: Inspiriert von LLM-Trainingstechniken wie denen für Kimi K2 von Moonshot AI verwendet YOLO26 den MuSGD-Optimierer (eine Kombination aus SGD und Muon), um stabiler zu trainieren und schneller zu konvergieren.
- ProgLoss + STAL: Eine progressive Verlustfunktion und eine Strategie zur label-Zuweisung, die kleine Ziele berücksichtigt, verbessern die Erkennung kleiner Objekte. Davon profitieren Drohnenanwendungen und die Verfolgung weit entfernter Ziele.
- Vielseitigkeit bei mehreren Aufgaben: Anders als DAMO-YOLO, das ausschließlich der Objekterkennung dient, bietet YOLO26 sofort einsatzbereite Unterstützung für Instanzsegmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung (mithilfe der Residual-Log-Likelihood-Schätzung) und gedrehte Begrenzungsrahmen (OBB) über eine einheitliche API.
Anders als komplexe Transformer-Architekturen wie RT-DETR oder distillationsintensive Verarbeitungsketten wie DAMO-YOLO sind Ultralytics-Modelle für ihren geringen VRAM-Bedarf bekannt. Du kannst ein YOLO26-Modell auf Hardware für Endverbraucher trainieren.
Optimierter Python-Arbeitsablauf#
Das Training und die Bereitstellung modernster Modelle sollten nicht Hunderte Zeilen Boilerplate-Code erfordern. Das Ultralytics-Python-Paket vereinfacht den gesamten Lebenszyklus des maschinellen Lernens.
from ultralytics import YOLO
# Das kleine YOLO26-Modell laden
model = YOLO("yolo26s.pt")
# Trainiere das Modell mit der integrierten Datenverarbeitung
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Blitzschnelle Inferenz ausführen und Ergebnisse anzeigen
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()
# Exportiere nach ONNX oder TensorRT
model.export(format="onnx")Ideale Anwendungsfälle#
Welche Architektur die richtige ist, hängt von deinen Bereitstellungsanforderungen ab:
Wann du YOLOv6-3.0 verwenden solltest#
- Videoanalyse mit großen Stapeln: Ideal für die Verarbeitung dichter Videoströme auf GPU-Servern in Unternehmen, auf denen TensorRT voll ausgeschöpft werden kann.
- Industrielle Automatisierung: Hochgeschwindigkeits-Fertigungslinien, die Qualitätskontrolle zur Fehlererkennung einsetzen.
Wann du DAMO-YOLO einsetzen solltest#
- Spezialisierte Chips: Erforschung der Zuordnung von Neural Architecture Search zu spezifischer, proprietärer NPU-Hardware.
- Akademische Forschung: Benchmarking neuartiger Wissensdestillationstechniken für Echtzeitnetzwerke.
Wann du Ultralytics YOLO26 verwenden solltest#
- Bereitstellung auf Edge- und Mobilgeräten: Der optionale NMS-freie Kopf, der Wegfall von DFL und eine bis zu 43 % schnellere CPU-Inferenz (YOLO26n im Vergleich zu YOLO11n) machen das Modell zur guten Wahl für die Bereitstellung auf iOS, Android und Raspberry Pi.
- Vom schnellen Prototyp bis zur Produktion: Durch die Integration in die Ultralytics Platform können Teams innerhalb von Tagen statt Monaten von der Datensatzannotation bis zur globalen Bereitstellung in der Cloud gelangen.
- Komplexe Bildverarbeitungsketten: Wenn ein Projekt Begrenzungsrahmen, Schlüsselpunkte menschlicher Posen und präzise Segmentierungsmasken kombiniert.
Fazit#
YOLOv6-3.0 und DAMO-YOLO haben beide wesentlich zur Forschung im Bereich der Echtzeit-Objekterkennung beigetragen. YOLOv6 hat die GPU-Auslastung verbessert, während DAMO-YOLO die Leistungsfähigkeit der automatisierten Architektursuche demonstriert hat.
Für Entwickler, die eine gute Kombination aus Genauigkeit, Inferenzgeschwindigkeit und langfristig wartbarem Ökosystem suchen, ist die Ultralytics-YOLO-Familie jedoch eine starke Wahl. Die Optimierungen in YOLO26 senken die Einstiegshürde für Computer-Vision-Anwendungen in der Produktion weiter.
Vielleicht möchtest du auch diese Modelle mit anderen Architekturen in der Dokumentation vergleichen, etwa mit YOLO11 oder Transformer-basierten Ansätzen wie RT-DETR.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.