YOLOv8 vs. DAMO-YOLO: Una Comparación Técnica Exhaustiva de Modelos de Detección de Objetos

El panorama de la visión por computadora está en constante evolución, con nuevas arquitecturas que amplían los límites de lo posible en dispositivos de borde y clústeres masivos en la nube. En esta inmersión técnica profunda, comparamos dos modelos prominentes de detect 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 informadas para sus pipelines de despliegue.

Contextos y Orígenes de Modelos

Ambos modelos fueron introducidos aproximadamente 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: 2022-11-23
Arxiv: Artículo de investigación DAMO-YOLO
GitHub: Repositorio de GitHub de DAMO-YOLO

Más información sobre DAMO-YOLO

Innovaciones Arquitectónicas

YOLOv8: Diseño versátil sin anclajes

Ultralytics YOLOv8 introdujo mejoras significativas sobre sus predecesores, consolidando su estatus como un modelo de vanguardia altamente fiable. Presenta una cabeza de detección sin anclajes, lo que reduce el número de predicciones de cuadros y acelera la inferencia. La arquitectura utiliza una cabeza desacoplada, separando las tareas de objetividad, clasificación y regresión, lo que lleva a predicciones de cuadros delimitadores más precisas.

Además, YOLOv8 implementa la Pérdida Focal de Distribución (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 optimizado está altamente optimizado para la ejecución tanto en GPU como en CPU.

DAMO-YOLO: Impulsado por la Búsqueda de Arquitectura

DAMO-YOLO adopta un enfoque diferente, basándose en gran medida en la Búsqueda de Arquitectura Neuronal (NAS) para diseñar automáticamente su backbone. El equipo de Alibaba introdujo "MAE-NAS" para encontrar estructuras que ofrecen compensaciones óptimas entre latencia y precisión, específicamente bajo la aceleración de TensorRT.

El modelo incorpora una RepGFPN (Red Piramidal de Características Generalizada 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 se basa en gran medida en un complejo proceso de destilación de conocimiento, que requiere un modelo "maestro" más grande para supervisar el modelo "estudiante" objetivo.

Complejidad del Entrenamiento

Aunque DAMO-YOLO logra métricas de latencia impresionantes mediante NAS y destilación, esto requiere significativamente más memoria CUDA y tiempo de cómputo durante el entrenamiento en comparación con el pipeline de entrenamiento de una sola etapa altamente optimizado de YOLOv8.

Rendimiento y métricas

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

Modelo	tamaño ^(píxeles)	mAP^val 50-95	Velocidad ^{CPU ONNX (ms)}	Velocidad ^{T4 TensorRT10 (ms)}	parámetros ^(M)	FLOPs ^(B)
YOLOv8n	640	37.3	80.4	1.47	3.2	8.7
YOLOv8s	640	44.9	128.4	2.66	11.2	28.6
YOLOv8m	640	50.2	234.7	5.86	25.9	78.9
YOLOv8l	640	52.9	375.2	9.06	43.7	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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

YOLOv8 demuestra un equilibrio de rendimiento excepcional. El YOLOv8n el modelo (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 altamente preciso YOLOv8x para cargas de trabajo basadas en la nube.

Experiencia del Desarrollador y Ecosistema

Facilidad de uso y eficiencia en el entrenamiento

Uno de los mayores factores diferenciadores es la experiencia de usuario. El ecosistema 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 unificada de Python o una interfaz de línea de comandos.

Por el contrario, reproducir el entrenamiento de DAMO-YOLO mejorado por destilación a menudo requiere navegar por archivos de configuración complejos y gestionar el seguimiento de experimentos de múltiples etapas entre profesor y alumno.

Aquí hay un ejemplo de lo sencillo que es entrenar, validar y exportar YOLOv8 utilizando 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 diseñado para la detección de objetos con cajas delimitadoras. En contraste, la arquitectura YOLOv8 soporta de forma nativa múltiples tareas. Simplemente intercambiando los pesos del modelo, los desarrolladores pueden realizar Segmentación de Instancias, Clasificación de Imágenes y Estimación de Pose sin cambiar su base de código de despliegue subyacente. Esta versatilidad hace que los modelos 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 de Comercio Minorista Inteligente: Realizando seguimiento de objetos para monitorear el comportamiento del cliente o automatizar las verificaciones de inventario.
Robótica Agrícola: Aprovechando su sólido rendimiento en hardware variado para identificar cultivos o plagas en tiempo real.
Diagnóstico médico: Utilizando la segmentación de instancias para mapear anomalías en imágenes médicas de forma rápida y precisa.
Despliegues en el Borde: La integración perfecta con formatos de exportación como OpenVINO y CoreML permite que YOLOv8 destaque en dispositivos con recursos limitados.

Cuándo usar DAMO-YOLO

DAMO-YOLO puede ser beneficioso en escenarios de nicho, particularmente:

Investigación NAS Académica: Para equipos que estudian metodologías de re-parametrización o diseño de arquitectura automatizado.
Tuberías estrictamente ligadas a GPU: Aplicaciones que se ejecutan exclusivamente en hardware NVIDIA específico donde las estructuras NAS fueron altamente optimizadas para los límites de ejecución de TensorRT.

Casos de Uso y Recomendaciones

Elegir entre YOLOv8 y DAMO-YOLO depende de los requisitos específicos de su proyecto, las limitaciones de implementación y las preferencias del ecosistema.

Cuándo elegir YOLOv8

YOLOv8 es una opción sólida para:

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

Cuándo elegir DAMO-YOLO

DAMO-YOLO se recomienda para:

Análisis de Video de Alto Rendimiento: Procesamiento de flujos de video de alto FPS en infraestructura fija de GPUs NVIDIA donde el rendimiento de lote-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 montaje.
Investigación en Búsqueda de Arquitectura Neuronal: Estudiando los efectos de la búsqueda de arquitectura automatizada (MAE-NAS) y de los backbones reparametrizados eficientes en el rendimiento de detect.

Cuándo elegir Ultralytics (YOLO26)

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

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

De Cara al Futuro: Nuevos Modelos de Ultralytics

Aunque YOLOv8 sigue siendo un caballo de batalla altamente confiable, el campo de la visión por computadora avanza rápidamente. Los usuarios también deberían considerar explorar generaciones más nuevas:

YOLO26: La última generación, Ultralytics YOLO26, representa un cambio de paradigma. Introduce un Diseño NMS-Free de extremo a extremo de forma nativa, eliminando por completo los cuellos de botella de latencia asociados con el post-procesamiento de Supresión No Máxima. Impulsado por el nuevo Optimizador MuSGD (un híbrido de SGD y Muon) y funciones de pérdida especializadas ProgLoss + STAL, YOLO26 logra un entrenamiento notablemente estable y un reconocimiento de objetos pequeños enormemente mejorado. Con la Eliminación de DFL (Distribution Focal Loss eliminada para una exportación simplificada y una mejor compatibilidad con dispositivos de borde/baja potencia), los ajustes arquitectónicos proporcionan hasta un 43% más rápido de inferencia en CPU en comparación con generaciones anteriores, convirtiéndolo en la elección definitiva para la computación de borde moderna.

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

Optimice su Flujo de Trabajo

¿Listo para llevar sus modelos del prototipo a la producción? Utilice la Plataforma Ultralytics para anotar conjuntos de datos automáticamente, realizar seguimiento de experimentos y desplegar modelos sin problemas en la nube o en dispositivos de borde.

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