DAMO-YOLO vs EfficientDet
La recherche en vision par ordinateur a produit de nombreuses architectures adaptées à différentes exigences du monde réel. Certains frameworks privilégient l’évolutivité, tandis que d’autres se concentrent sur la vitesse d’inférence en temps réel. Cette comparaison porte sur DAMO-YOLO et EfficientDet, deux modèles influents qui abordent la détection d’objets de manière distincte. Elle examine leurs architectures, compare leurs performances de référence et explique pourquoi Ultralytics YOLO26 constitue un excellent choix pour les déploiements modernes en production.
Présentation des architectures#
Les deux modèles ont été conçus pour résoudre le compromis entre efficacité et précision, mais ils s’appuient sur des mécanismes fondamentalement différents pour atteindre leurs objectifs.
DAMO-YOLO : la vitesse grâce à la recherche d’architecture neuronale#
Conçu pour repousser les limites de la détection en temps réel, DAMO-YOLO exploite des techniques de recherche automatisée afin de créer des réseaux très efficaces, adaptés aux environnements à faible latence.
Détails de DAMO-YOLO :
- Auteurs : Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang et Xiuyu Sun
- Organisation : groupe Alibaba
- Date : 2022-11-23
- arXiv : https://arxiv.org/abs/2211.15444v2
- GitHub : https://github.com/tinyvision/DAMO-YOLO
DAMO-YOLO repose sur un backbone de recherche d’architecture neuronale (NAS) qui optimise à la fois la vitesse et la précision. Il introduit RepGFPN (réseau pyramidal généralisé de caractéristiques reparamétré), qui améliore la fusion des caractéristiques tout en conservant une vitesse d’inférence élevée. De plus, sa conception ZeroHead réduit au minimum la charge de calcul généralement associée aux têtes de détection. Le modèle utilise également AlignedOTA (assignation par transport optimal aligné) pour l’assignation des étiquettes, ainsi que la distillation des connaissances, permettant même aux plus petites variantes d’apprendre des représentations riches à partir de modèles plus grands.
EfficientDet : évolutivité grâce à la mise à l’échelle composée#
Contrairement à l’approche privilégiant la vitesse, EfficientDet met l’accent sur une évolutivité méthodique adaptée à différents budgets de calcul.
Détails d’EfficientDet :
- Auteurs : Mingxing Tan, Ruoming Pang et Quoc V. Le
- Organisation : Google Brain
- Date : 2019-11-20
- arXiv : https://arxiv.org/abs/1911.09070
- GitHub : https://github.com/google/automl/tree/master/efficientdet
EfficientDet introduit BiFPN (réseau pyramidal de caractéristiques bidirectionnel), qui permet une fusion rapide des caractéristiques à plusieurs échelles. Contrairement aux méthodes traditionnelles qui font évoluer les architectures en ajoutant arbitrairement des couches ou des canaux, EfficientDet utilise une méthode de mise à l’échelle composée qui ajuste uniformément et simultanément la résolution, la profondeur et la largeur du backbone, du réseau de caractéristiques et des réseaux de prédiction des boîtes et des classes. À sa sortie, cette approche lui a permis d’atteindre une précision de pointe sur du matériel haut de gamme, tout en proposant des variantes plus petites pour les environnements soumis à des contraintes.
En savoir plus sur EfficientDet
Comparaison des performances et des métriques#
La comparaison côte à côte met en évidence le compromis entre précision et vitesse d’inférence. Le tableau ci-dessous présente les principaux indicateurs de performance et montre comment les capacités d’inférence de DAMO-YOLO se comparent à celles de la famille de modèles EfficientDet.
| Modèle | taille (pixels) | mAPval50-95 | Vitesse CPU ONNX (ms) | Vitesse T4 TensorRT10 (ms) | paramètres (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| 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 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
EfficientDet-d7 atteint la précision globale la plus élevée, ce qui le rend adapté aux applications exigeantes dans le cloud. La série DAMO-YOLO offre une précision compétitive avec une latence bien plus faible sur GPU, ce qui en fait un meilleur candidat pour les déploiements en périphérie en temps réel.
Cas d’utilisation et recommandations#
Le choix entre DAMO-YOLO et EfficientDet dépend des exigences spécifiques de ton projet, des contraintes de déploiement et de tes préférences en matière d’écosystème.
Quand choisir DAMO-YOLO#
DAMO-YOLO est un excellent choix pour :
- Analyse vidéo à haut débit : Traitement de flux vidéo à FPS élevé sur une infrastructure GPU NVIDIA fixe, lorsque le débit avec une taille de lot de 1 est le principal critère.
- Lignes de fabrication industrielle : Scénarios soumis à des contraintes strictes de latence GPU sur du matériel dédié, comme l’inspection qualité en temps réel sur les chaînes de montage.
- Recherche sur la recherche d’architectures neuronales : Étude des effets de la recherche automatisée d’architectures (MAE-NAS) et des backbones efficaces reparamétrés sur les performances de détection.
Quand choisir EfficientDet#
EfficientDet est recommandé pour :
- Google Cloud et pipelines TPU : systèmes basés sur TensorFlow exécutés sur l’infrastructure Google Cloud TPU, où l’implémentation de référence d’EfficientDet prend en charge l’entraînement sur TPU.
- Recherche sur la mise à l’échelle composée : évaluation comparative universitaire axée sur l’étude des effets d’une mise à l’échelle équilibrée de la profondeur, de la largeur et de la résolution du réseau.
- Déploiement mobile avec LiteRT : projets nécessitant spécifiquement l’exportation vers LiteRT (anciennement TensorFlow Lite) pour Android ou les appareils Linux embarqués.
Quand choisir Ultralytics (YOLO26)#
Pour la plupart des nouveaux projets, Ultralytics YOLO26 offre le meilleur équilibre entre performances et expérience développeur :
- Déploiement edge sans NMS : applications nécessitant une inférence cohérente à faible latence, sans la complexité du post-traitement par suppression non maximale (NMS).
- Environnements uniquement équipés d’un CPU : Les appareils sans accélération GPU dédiée, sur lesquels l’inférence sur CPU jusqu’à 43 % plus rapide de YOLO26n par rapport à YOLO11n représente un avantage évident.
- Détection de petits objets : les situations difficiles, comme l’imagerie aérienne par drone ou l’analyse de capteurs IoT, où ProgLoss et STAL améliorent considérablement la précision pour les objets minuscules.
La solution moderne : Ultralytics YOLO26#
Bien que DAMO-YOLO et EfficientDet soient des jalons universitaires importants, les déploiements dans le monde réel nécessitent souvent une approche plus équilibrée, riche en fonctionnalités et adaptée aux développeurs. Ultralytics YOLO26 est conçu précisément pour cela.
Publié en janvier 2026, YOLO26 s’inscrit dans la continuité de ses prédécesseurs, notamment Ultralytics YOLO11 et YOLOv8, et simplifie l’entraînement et le déploiement des modèles de détection d’objets.
YOLO26 intègre une conception native de bout en bout sans NMS (nms=False). En supprimant la suppression des non-maxima (NMS) du post-traitement — un goulot d’étranglement de longue date pour le déploiement des détecteurs d’objets — YOLO26 offre un pipeline de déploiement plus simple et plus rapide, en particulier sur le matériel de périphérie.
Performances et polyvalence#
YOLO26 améliore la stabilité et la précision de l’entraînement, ainsi que la vitesse. Il introduit l’optimiseur MuSGD, un hybride de SGD et de Muon inspiré de l’entraînement des LLM, pour une convergence plus rapide et un entraînement plus efficace. Contrairement aux solutions plus lourdes basées sur Transformer, comme RT-DETR, YOLO26 nécessite peu de mémoire et peut donc être entraîné sur du matériel grand public.
YOLO26 intègre également ProgLoss + STAL, qui améliore la reconnaissance des petits objets pour des cas d’utilisation comme l’imagerie aérienne par drone et la robotique. Pour optimiser les appareils basse consommation, YOLO26 a supprimé Distribution Focal Loss (DFL), ce qui permet à YOLO26n d’offrir une inférence CPU jusqu’à 43 % plus rapide que YOLO11n.
Écosystème et facilité d'utilisation#
L’un des principaux obstacles posés par des modèles comme EfficientDet est la complexité de leur intégration. La plateforme Ultralytics propose plutôt un écosystème de bout en bout bien entretenu. Grâce à une API unifiée, tu peux facilement passer de la détection à la segmentation d’instances, à la classification d’images, à l’estimation de pose et aux boîtes englobantes orientées (OBB).
L’entraînement et l’inférence avec YOLO26 ne nécessitent que quelques lignes de code avec le package Python Ultralytics :
from ultralytics import YOLO
# Charge le modèle YOLO26 nano
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur ton jeu de données personnalisé en utilisant un minimum de mémoire
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Exécuter une inférence ultra-rapide sans NMS
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)Conclusion#
La comparaison entre DAMO-YOLO et EfficientDet met en évidence les compromis entre la recherche d’architecture neuronale et la mise à l’échelle composée, mais le travail en production nécessite aussi des outils qui rapprochent la recherche universitaire du déploiement.
Pour les développeurs qui privilégient la facilité d’utilisation, une communauté open source active et un bon équilibre entre vitesse et précision, Ultralytics YOLO26 est le choix recommandé. Son architecture sans NMS, sa faible charge d’entraînement et son intégration à l’écosystème Ultralytics en font une base pratique pour ton prochain projet de vision par ordinateur.
Commentaires2
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
UltralyticsAssistantUltralytics
👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.
If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.
Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.
Upgrade
Please upgrade to the latest
ultralyticspackage and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:pip install -U ultralyticsEnvironments
YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):
- Notebooks with free GPU:
- Google Cloud Deep Learning VM. See GCP Quickstart Guide
- Amazon Deep Learning AMI. See AWS Quickstart Guide
- Docker Image. See Docker Quickstart Guide
Status
If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.
This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊
Glenn JocherUltralytics(modifié)Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.
The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.
If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.
- Notebooks with free GPU: