YOLOv8 frente a DAMO-YOLO: Una comparativa técnica exhaustiva de modelos de detección de objetos

El panorama de la visión artificial evoluciona constantemente, con nuevas arquitecturas que superan los límites de lo posible en dispositivos periféricos (edge) y en clústeres masivos en la nube. En este análisis técnico profundo, comparamos dos modelos destacados de detección de objetos en tiempo real: YOLOv8 y DAMO-YOLO. Al examinar sus arquitecturas, métricas de rendimiento y metodologías de entrenamiento, los ingenieros de ML pueden tomar decisiones fundamentadas para sus flujos de trabajo de despliegue.

Antecedentes y orígenes de los modelos

Ambos modelos se presentaron casi al mismo tiempo, pero provienen de diferentes filosofías de diseño y objetivos de investigación.

Detalles de YOLOv8

• Autores: Glenn Jocher, Ayush Chaurasia y Jing Qiu
• Organización: Ultralytics
• Fecha: 2023-01-10
• GitHub: Repositorio de GitHub de Ultralytics
• Documentación: Documentación oficial de YOLOv8

Más información sobre YOLOv8

Detalles de DAMO-YOLO

• Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang y Xiuyu Sun
• Organización: Alibaba Group
• Fecha: 23-11-2022
• Arxiv: Artículo de investigación de DAMO-YOLO
• GitHub: Repositorio de GitHub de DAMO-YOLO

Más información sobre DAMO-YOLO

Innovaciones arquitectónicas

YOLOv8: Diseño versátil sin anclas (anchor-free)

Ultralytics YOLOv8 introdujo mejoras significativas respecto a sus predecesores, consolidando su estatus como un modelo de vanguardia altamente fiable. Cuenta con un cabezal de detección sin anclas, lo que reduce el número de predicciones de cajas y acelera la inferencia. La arquitectura utiliza un cabezal desacoplado, que separa las tareas de detección de objetos, clasificación y regresión, lo que conduce a predicciones de cajas delimitadoras más precisas.

Además, YOLOv8 implementa Distribution Focal Loss (DFL) junto con la pérdida CIoU, mejorando la capacidad del modelo para localizar con precisión los límites de los objetos, especialmente para objetivos más pequeños u ocluidos. Su backbone simplificado está altamente optimizado tanto para la ejecución en GPU como en CPU.

DAMO-YOLO: Impulsado por la búsqueda de arquitectura

DAMO-YOLO adopta un enfoque diferente, apoyándose fuertemente en la búsqueda de arquitectura neuronal (NAS) para diseñar automáticamente su backbone. El equipo de Alibaba introdujo "MAE-NAS" para encontrar estructuras que ofrezcan un equilibrio óptimo entre latencia y precisión, específicamente bajo la aceleración de TensorRT.

El modelo incorpora una RepGFPN (red de pirámide de características generalizada y reparametrizada) para una fusión eficiente de características y un diseño "ZeroHead" para minimizar la carga computacional del cabezal de detección. Durante el entrenamiento, aprovecha AlignedOTA para la asignación de etiquetas y depende en gran medida de un complejo proceso de destilación de conocimiento, que requiere un modelo profesor más grande para supervisar al modelo estudiante objetivo.

Rendimiento y métricas

Al desplegar modelos de visión artificial en producción, es fundamental equilibrar la precisión (mAP) con la velocidad de inferencia. La siguiente tabla ilustra el rendimiento de ambos modelos en varios tamaños.

YOLOv8 demuestra un equilibrio de rendimiento excepcional. El modelo YOLOv8n (nano) requiere solo 3,2 millones de parámetros en comparación con los 8,5 millones de DAMO-YOLOt, lo que lo hace muy superior para dispositivos móviles o entornos con requisitos de memoria estrictos. Además, YOLOv8 ofrece una gama más amplia de tamaños, escalando hasta el modelo YOLOv8x, altamente preciso, para cargas de trabajo basadas en la nube.

Experiencia del desarrollador y ecosistema

Facilidad de uso y eficiencia de entrenamiento

Uno de los mayores factores diferenciadores es la experiencia del usuario. El ecosistema de Ultralytics está diseñado para la velocidad del desarrollador. Entrenar un modelo YOLOv8 personalizado requiere un uso de memoria muy bajo y puede ejecutarse a través de una API de Python unificada o una interfaz de línea de comandos.

Por el contrario, reproducir el entrenamiento mejorado por destilación de DAMO-YOLO a menudo requiere navegar por archivos de configuración complejos y manejar el seguimiento de experimentos entre profesor y estudiante en varias etapas.

Aquí tienes un ejemplo de lo sencillo que es entrenar, validar y exportar YOLOv8 usando Python:

from ultralytics import YOLO

# Load a pre-trained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model on the COCO8 dataset
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device="cpu")

# Export the trained model to ONNX format
path = model.export(format="onnx")

Versatilidad en tareas de visión

DAMO-YOLO está estrictamente construido para la detección de objetos mediante cajas delimitadoras. Por el contrario, la arquitectura de YOLOv8 admite tareas múltiples de forma nativa. Simplemente cambiando los pesos del modelo, los desarrolladores pueden realizar segmentación de instancias, clasificación de imágenes y estimación de poses sin cambiar su código base de despliegue subyacente. Esta versatilidad hace que los modelos de Ultralytics sean mucho más prácticos para aplicaciones complejas.

Casos de uso en el mundo real

Cuándo usar YOLOv8

La combinación de velocidad, precisión y facilidad de despliegue de YOLOv8 lo hace ideal para:

• Análisis minorista inteligente: Realizar seguimiento de objetos para monitorizar el comportamiento del cliente o automatizar los controles de inventario.
• Robótica agrícola: Aprovechar su fuerte rendimiento en hardware variado para identificar cultivos o plagas en tiempo real.
• Diagnóstico sanitario: Utilizar la segmentación de instancias para mapear anomalías en imágenes médicas de forma rápida y precisa.
• Despliegues en el borde (Edge): La integración fluida con formatos de exportación como OpenVINO y CoreML permite que YOLOv8 destaque en dispositivos restringidos.

Cuándo usar DAMO-YOLO

DAMO-YOLO puede ser beneficioso en escenarios específicos, particularmente:

• Investigación académica de NAS: Para equipos que estudian la reparametrización o metodologías de diseño de arquitectura automatizado.
• Flujos de trabajo estrictamente limitados a GPU: Aplicaciones que se ejecutan exclusivamente en hardware de NVIDIA específico donde las estructuras NAS se optimizaron fuertemente para los límites de ejecución de TensorRT.

Casos de uso y recomendaciones

Elegir entre YOLOv8 y DAMO-YOLO depende de los requisitos específicos de tu proyecto, las restricciones de despliegue y las preferencias del ecosistema.

Cuándo elegir YOLOv8

YOLOv8 es una opción sólida para:

• Despliegue versátil multitarea: Proyectos que requieren un modelo probado para detección, segmentación, clasificación y estimación de pose dentro del ecosistema de Ultralytics.
• Sistemas de producción establecidos: Entornos de producción existentes ya construidos sobre la arquitectura YOLOv8 con pipelines de despliegue estables y bien probados.
• Amplio apoyo de la comunidad y el ecosistema: Aplicaciones que se benefician de los extensos tutoriales de YOLOv8, integraciones de terceros y recursos activos de la comunidad.

Cuándo elegir DAMO-YOLO

DAMO-YOLO se recomienda para:

• Análisis de video de alto rendimiento: Procesamiento de flujos de video de alta tasa de cuadros (FPS) en infraestructura de GPU NVIDIA fija, donde el rendimiento de procesamiento batch-1 es la métrica principal.
• Líneas de fabricación industrial: Escenarios con estrictas restricciones de latencia de GPU en hardware dedicado, como la inspección de calidad en tiempo real en líneas de ensamblaje.
• Investigación en Búsqueda de Arquitectura Neuronal: Estudiar los efectos de la búsqueda de arquitectura automatizada (MAE-NAS) y los backbones reparametrizados eficientes en el rendimiento de detección.

Cuándo elegir Ultralytics (YOLO26)

Para la mayoría de los proyectos nuevos, Ultralytics YOLO26 ofrece la mejor combinación de rendimiento y experiencia para el desarrollador:

• Despliegue en borde sin NMS: Aplicaciones que requieren una inferencia consistente y de baja latencia sin la complejidad del posprocesamiento de la supresión de no máximos.
• Entornos solo de CPU: Dispositivos sin aceleración de GPU dedicada, donde la inferencia en CPU hasta un 43% más rápida de YOLO26 proporciona una ventaja decisiva.
• Detección de objetos pequeños: Escenarios desafiantes como imágenes de drones aéreos o análisis de sensores IoT donde ProgLoss y STAL aumentan significativamente la precisión en objetos diminutos.

Mirando hacia el futuro: Nuevos modelos de Ultralytics

Aunque YOLOv8 sigue siendo un caballo de batalla altamente fiable, el campo de la visión artificial avanza rápidamente. Los usuarios también deberían considerar explorar las nuevas generaciones:

YOLO26: La última generación, Ultralytics YOLO26, representa un cambio de paradigma. Introduce un diseño nativo End-to-End NMS-Free, eliminando por completo los cuellos de botella de latencia asociados con el posprocesamiento de supresión no máxima (NMS). Impulsado por el nuevo optimizador MuSGD (un híbrido de SGD y Muon) y las funciones de pérdida especializadas ProgLoss + STAL, YOLO26 logra un entrenamiento notablemente estable y un reconocimiento de objetos pequeños muy mejorado. Con la eliminación de DFL (se eliminó la Distribution Focal Loss para una exportación simplificada y una mejor compatibilidad con dispositivos de borde/baja potencia), los ajustes arquitectónicos proporcionan hasta un 43% de inferencia de CPU más rápida en comparación con generaciones anteriores, lo que lo convierte en la opción definitiva para la computación moderna en el borde.

YOLO11: Otra excelente alternativa, Ultralytics YOLO11, ofrece refinamientos arquitectónicos incrementales sobre YOLOv8 y sigue siendo un modelo robusto y ampliamente adoptado en la comunidad.

En conclusión, aunque DAMO-YOLO ofrece interesantes perspectivas académicas sobre la búsqueda de arquitectura, los modelos de Ultralytics proporcionan un ecosistema significativamente más maduro, versátil y amigable para el desarrollador. Ya sea que te quedes con la estabilidad probada de YOLOv8 o te actualices a la arquitectura ultrarrápida y sin NMS de YOLO26, el paquete de Ultralytics sigue siendo la opción principal para la IA de visión en tiempo real.