Empezar

DAMO-YOLO frente a PP-YOLOE+

Elegir la arquitectura adecuada para un despliegue es una decisión clave en la visión artificial en tiempo real. Esta guía ofrece una comparación técnica de DAMO-YOLO y PP-YOLOE+, y abarca sus diseños arquitectónicos, métodos de entrenamiento y métricas de rendimiento. También analiza cómo se comparan ambos modelos con Ultralytics YOLO26, publicado en enero de 2026.

Descripción general de los modelos#

Ambos marcos surgieron en 2022 como alternativas para aplicaciones industriales, con técnicas distintas para mejorar la precisión y la velocidad de inferencia.

DAMO-YOLO#

Desarrollado por Alibaba Group, DAMO-YOLO introdujo varias técnicas novedosas para optimizar el equilibrio entre latencia y precisión, basándose en gran medida en técnicas de búsqueda automatizada y fusión avanzada de características.

DAMO-YOLO utiliza la búsqueda de arquitecturas neuronales de entropía máxima (MAE-NAS) para diseñar automáticamente redes troncales optimizadas para la eficiencia del hardware. También cuenta con una RepGFPN eficiente (red piramidal de características generalizada reparametrizada) para fusionar características en la sección intermedia y con un diseño ZeroHead ligero. Además, recurre a la destilación de conocimiento durante el entrenamiento para aumentar la capacidad de representación del modelo estudiante.

Más información sobre DAMO-YOLO

PP-YOLOE+#

Del equipo de PaddlePaddle de Baidu, PP-YOLOE+ es una actualización incremental de la arquitectura PP-YOLOE. Se centra en el preentrenamiento a gran escala y en funciones de pérdida refinadas para ofrecer un mAP alto, especialmente en su framework nativo de aprendizaje profundo.

PP-YOLOE+ utiliza una red troncal CSPRepResNet y una cabeza ET (cabeza eficiente alineada con la tarea). La versión «plus» añade preentrenamiento en el conjunto de datos Objects365, lo que mejora su capacidad para generalizar en diversos entornos reales.

Más información sobre PP-YOLOE+

Comparativa arquitectónica#

Las distintas filosofías de diseño de estos dos modelos determinan sus casos de uso más adecuados y su compatibilidad con el hardware.

Fusión de características y backbones#

Las redes troncales de DAMO-YOLO generadas mediante MAE-NAS están adaptadas a dispositivos periféricos y suelen ofrecer una relación favorable entre velocidad y número de parámetros. Sin embargo, estas arquitecturas personalizadas pueden ser rígidas y difíciles de adaptar a tareas nuevas, como la segmentación de instancias. La sección intermedia RepGFPN mejora la fusión de características multiescala, pero añade complejidad durante la fase de exportación con reparametrización.

PP-YOLOE+ se basa en CSPRepResNet, una arquitectura más tradicional, pero eficaz. Aunque esta red troncal requiere más parámetros que DAMO-YOLO para lograr una precisión similar, es estable durante el entrenamiento y más fácil de integrar en las canalizaciones existentes. Su cabeza ET gestiona eficazmente la clasificación y la regresión, pero sigue necesitando pasos de posprocesamiento como la supresión no máxima (NMS).

Eliminación de los retrasos del posprocesamiento

Tanto DAMO-YOLO como PP-YOLOE+ requieren NMS para el posprocesamiento de los cuadros delimitadores. Si la latencia de inferencia es crítica, considera utilizar Ultralytics YOLO26, que ofrece un diseño integral nativo sin NMS mediante su cabeza opcional uno a uno (nms=False). Este enfoque elimina el posprocesamiento NMS y permite una canalización de despliegue más rápida y sencilla.

Análisis del rendimiento y las métricas#

Al evaluar estos modelos para producción, es fundamental equilibrar la precisión (mAP), la velocidad de inferencia y el número de parámetros. A continuación se muestra una comparación directa de sus variantes principales.

Modelotamaño
(píxeles)
mAPval50-95Velocidad
CPU ONNX
(ms)
Velocidad
T4 TensorRT10
(ms)
parámetros
(M)
FLOPs
(B)
DAMO-YOLOt64042.0-2.328.518.1
DAMO-YOLOs64046.0-3.4516.337.8
DAMO-YOLOm64049.2-5.0928.261.8
DAMO-YOLOl64050.8-7.1842.197.3
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Como muestra la tabla, DAMO-YOLO ofrece mayor precisión en las escalas tiny (t) y small (s), y DAMO-YOLOt presenta la latencia TensorRT en T4 más baja de todos los modelos incluidos, gracias a sus redes troncales optimizadas mediante NAS. Sin embargo, PP-YOLOE+ escala bien en las categorías medium (m) y large (l), y alcanza puntuaciones mAP más altas a costa de una ligera reducción de velocidad en TensorRT en T4.

Requisitos de memoria y eficiencia del entrenamiento#

La dependencia de DAMO-YOLO de la destilación significa que a menudo hay que entrenar un modelo profesor mucho más grande antes de entrenar el modelo estudiante más pequeño. Esto aumenta considerablemente los requisitos de memoria CUDA y el presupuesto computacional total. PP-YOLOE+ simplifica el proceso con un entrenamiento estándar de una sola etapa, pero sigue estando estrechamente ligado al marco PaddlePaddle, lo que puede limitar la flexibilidad de los equipos acostumbrados a PyTorch.

En cambio, el moderno modelo Ultralytics YOLO26 evita estos cuellos de botella. Con el nuevo optimizador MuSGD, una combinación de SGD y Muon inspirada en el entrenamiento de LLM, YOLO26 logra una convergencia más rápida y un entrenamiento estable sin complejas canalizaciones de destilación. Además, los modelos YOLO suelen necesitar mucha menos memoria CUDA durante el entrenamiento que los detectores basados en Transformer como RT-DETR.

Aplicaciones reales y casos de uso ideales#

Cuándo usar DAMO-YOLO#

DAMO-YOLO es adecuado para la inferencia en el edge con un alto rendimiento, cuando la latencia es el principal cuello de botella. Sus variantes pequeñas destacan en entornos como los sistemas de gestión del tráfico o la vigilancia básica con drones, siempre que tu equipo de ingeniería tenga capacidad para gestionar sus complejos procesos de destilación y reparametrización.

Cuándo usar PP-YOLOE+#

PP-YOLOE+ encaja bien si ya trabajas con el ecosistema de Baidu o gestionas despliegues de servidores a gran escala. Su elevado mAP lo hace adecuado para el complejo análisis de imágenes médicas o la detección de defectos en fabricación en entornos con muchos elementos.

La ventaja de Ultralytics#

Aunque DAMO-YOLO y PP-YOLOE+ ofrecen ventajas específicas, los desarrolladores que buscan versatilidad, velocidad y facilidad de uso pueden entrenar y desplegar modelos en la plataforma Ultralytics.

Al actualizar tu pipeline de visión artificial, Ultralytics YOLO26 ofrece una experiencia de desarrollo más ágil:

  • Hasta un 43 % más de velocidad de inferencia en CPU: al eliminar por completo la pérdida focal de distribución (DFL), YOLO26n se ejecuta hasta un 43 % más rápido en CPU que YOLO11n, por lo que es adecuado para CPU edge y dispositivos IoT de bajo consumo.
  • Mejora de la detección de objetos pequeños: la función objetivo ProgLoss y la asignación de etiquetas STAL mejoran el reconocimiento de objetos pequeños, algo fundamental para las imágenes aéreas.
  • Gran versatilidad: a diferencia de PP-YOLOE+, centrado exclusivamente en la detección, YOLO26 también permite realizar estimación de pose, cajas delimitadoras orientadas (OBB) y segmentación semántica, con mejoras arquitectónicas específicas para cada tarea.

Conclusión#

DAMO-YOLO y PP-YOLOE+ representan hitos importantes en la evolución de la detección de objetos sin anclajes. DAMO-YOLO amplió los límites de la búsqueda de arquitecturas neuronales para reducir la latencia en dispositivos periféricos, mientras que PP-YOLOE+ demostró el potencial del preentrenamiento a gran escala.

Sin embargo, para los desarrolladores que buscan el mejor equilibrio entre velocidad, precisión y sencillez de despliegue, el modelo Ultralytics YOLO26 es la opción recomendada. Su arquitectura sin NMS, su robusta API de Python y su integración con herramientas como Weights & Biases y TensorRT garantizan que tus proyectos pasen sin problemas del prototipo a producción.

¿Todo listo para empezar? Explora la guía de inicio rápido de Ultralytics o compara más modelos en la descripción general de YOLO11 frente a DAMO-YOLO.

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.