Commencer

DAMO-YOLO vs PP-YOLOE+

Choisir la bonne architecture pour un déploiement est une décision essentielle en vision par ordinateur en temps réel. Ce guide propose une comparaison technique de DAMO-YOLO et PP-YOLOE+, en examinant leurs architectures, méthodes d'entraînement et métriques de performance. Il étudie également la comparaison de ces deux modèles avec Ultralytics YOLO26, lancé en janvier 2026.

Présentation des modèles#

Les deux frameworks sont apparus en 2022 comme des alternatives destinées aux applications industrielles, chacun utilisant des techniques différentes pour améliorer la précision et la vitesse d'inférence.

DAMO-YOLO#

Développé par le groupe Alibaba, DAMO-YOLO a introduit plusieurs techniques novatrices pour optimiser le compromis entre latence et précision, en s’appuyant largement sur des techniques de recherche automatisée et de fusion avancée de caractéristiques.

DAMO-YOLO utilise la recherche d'architecture neuronale par entropie maximale (MAE-NAS) pour concevoir automatiquement des backbones optimisés pour l'efficacité matérielle. Il intègre également un RepGFPN efficace (réseau pyramidal de caractéristiques généralisé reparamétré) pour la fusion des caractéristiques dans le neck, ainsi qu'une conception légère « ZeroHead ». Il s'appuie aussi sur la distillation des connaissances pendant l'entraînement pour renforcer les capacités de représentation du modèle élève.

En savoir plus sur DAMO-YOLO

PP-YOLOE+#

Issu de l’équipe Baidu PaddlePaddle, PP-YOLOE+ est une mise à niveau incrémentale de l’architecture PP-YOLOE. Il mise sur le préentraînement à grande échelle et des fonctions de perte affinées pour offrir un mAP élevé, notamment au sein de son framework d’apprentissage profond natif.

PP-YOLOE+ utilise un backbone CSPRepResNet et une tête ET (tête efficace alignée sur la tâche). La version « plus » ajoute un préentraînement sur le jeu de données Objects365, ce qui améliore sa capacité à généraliser à divers environnements réels.

En savoir plus sur PP-YOLOE+

Comparaison des architectures#

Les philosophies de conception différentes de ces deux modèles déterminent leurs cas d'usage les plus adaptés et leur compatibilité matérielle.

Fusion des caractéristiques et backbones#

Les backbones de DAMO-YOLO générés par MAE-NAS sont conçus pour les appareils en périphérie et offrent souvent un rapport vitesse/nombre de paramètres avantageux. Cependant, ces architectures personnalisées peuvent être rigides et difficiles à adapter à de nouvelles tâches comme la segmentation d'instances. Le neck RepGFPN améliore la fusion des caractéristiques multi-échelles, mais ajoute de la complexité lors de la phase d'exportation par reparamétrisation.

PP-YOLOE+ repose sur CSPRepResNet, une architecture plus traditionnelle mais efficace. Bien que ce backbone nécessite davantage de paramètres que DAMO-YOLO pour une précision similaire, son entraînement est stable et son intégration dans les pipelines existants est plus simple. Sa tête ET gère efficacement la classification et la régression, mais nécessite toujours des étapes de post-traitement comme la suppression des non-maxima (NMS).

Éliminer les délais de post-traitement

DAMO-YOLO et PP-YOLOE+ nécessitent tous deux NMS pour le post-traitement des boîtes englobantes. Si la latence d'inférence est critique, envisage Ultralytics YOLO26, qui propose une conception native de bout en bout sans NMS grâce à sa tête optionnelle un-à-un (nms=False). Cette approche élimine le post-traitement NMS pour un pipeline de déploiement plus rapide et plus simple.

Analyse des performances et des indicateurs#

Pour évaluer ces modèles en vue d’une mise en production, il est essentiel de trouver le bon équilibre entre la précision (mAP), la vitesse d’inférence et le nombre de paramètres. Voici une comparaison directe de leurs principales variantes.

Modèletaille
(pixels)
mAPval50-95Vitesse
CPU ONNX
(ms)
Vitesse
T4 TensorRT10
(ms)
paramètres
(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

Comme l'illustre le tableau, DAMO-YOLO offre une précision supérieure aux échelles tiny (t) et small (s), et DAMO-YOLOt présente la latence TensorRT T4 la plus faible de tous les modèles comparés, grâce à ses backbones optimisés par NAS. PP-YOLOE+ passe toutefois bien à l'échelle des catégories medium (m) et large (l), où il obtient des scores mAP plus élevés au prix d'une légère baisse de vitesse sur T4 avec TensorRT.

Besoins en mémoire et efficacité de l’entraînement#

La dépendance de DAMO-YOLO à la distillation signifie qu'il faut souvent entraîner un modèle enseignant beaucoup plus grand avant le modèle élève plus petit. Cela augmente considérablement les besoins en mémoire CUDA et le budget de calcul global. PP-YOLOE+ simplifie cette étape grâce à un entraînement standard en une seule phase, mais reste étroitement lié au framework PaddlePaddle, ce qui peut limiter la flexibilité des équipes habituées à PyTorch.

À l'inverse, le modèle moderne Ultralytics YOLO26 évite ces goulots d'étranglement. Avec le nouvel optimiseur MuSGD, une combinaison de SGD et de Muon inspirée de l'entraînement des grands modèles de langage (LLM), YOLO26 converge plus rapidement et assure un entraînement stable sans pipelines de distillation complexes. De plus, les modèles YOLO nécessitent généralement beaucoup moins de mémoire CUDA pendant l'entraînement que les détecteurs basés sur Transformer comme RT-DETR.

Applications concrètes et cas d'usage idéaux#

Quand utiliser DAMO-YOLO#

DAMO-YOLO convient à l’inférence en périphérie à haut débit lorsque la latence constitue le principal goulot d’étranglement. Ses variantes compactes excellent dans des environnements comme les systèmes de gestion du trafic ou la surveillance élémentaire par drone, à condition que ton équipe d’ingénierie dispose des ressources nécessaires pour gérer ses processus complexes de distillation et de reparamétrisation.

Quand utiliser PP-YOLOE+#

PP-YOLOE+ convient bien si tu as déjà investi dans l’écosystème Baidu ou si tu exécutes des déploiements serveur à grande échelle. Son mAP élevé le rend adapté à l’analyse d’images médicales complexes ou à la détection dense de défauts de fabrication.

L’avantage Ultralytics#

Bien que DAMO-YOLO et PP-YOLOE+ présentent chacun des avantages spécifiques, les développeurs qui recherchent polyvalence, rapidité et facilité d’utilisation peuvent entraîner et déployer des modèles sur la plateforme Ultralytics.

Lors de la mise à niveau de ton pipeline de vision par ordinateur, Ultralytics YOLO26 offre une expérience de développement simplifiée :

  • Inférence CPU jusqu’à 43 % plus rapide : grâce à la suppression complète de Distribution Focal Loss (DFL), YOLO26n s’exécute jusqu’à 43 % plus vite que YOLO11n sur CPU, ce qui le rend adapté aux CPU de périphérie et aux appareils IoT basse consommation.
  • Meilleure détection des petits objets : l’objectif ProgLoss et l’assignation des étiquettes STAL améliorent la reconnaissance des petits objets, un aspect essentiel pour l’imagerie aérienne.
  • Grande polyvalence : contrairement à PP-YOLOE+, qui se concentre uniquement sur la détection, YOLO26 prend également en charge l’estimation de pose, les boîtes englobantes orientées (OBB) et la segmentation sémantique, avec des améliorations architecturales propres à chaque tâche.

Conclusion#

DAMO-YOLO et PP-YOLOE+ représentent des étapes importantes dans l’évolution de la détection d’objets sans ancres. DAMO-YOLO a repoussé les limites de la recherche d’architecture neuronale pour réduire la latence en périphérie, tandis que PP-YOLOE+ a démontré la puissance du préentraînement à grande échelle.

Cependant, pour les développeurs qui recherchent le meilleur équilibre entre rapidité, précision et simplicité de déploiement, le modèle Ultralytics YOLO26 est le choix recommandé. Son architecture sans NMS, son API Python robuste et son intégration à des outils comme Weights & Biases et TensorRT permettent à tes projets de passer facilement du prototype à la production.

Prêt à te lancer ? Consulte le guide de démarrage rapide Ultralytics ou compare d’autres modèles dans la présentation YOLO11 et DAMO-YOLO.

Commentaires

Pose une question, partage tes résultats ou aide quelqu’un d’autre.