Commencer

DAMO-YOLO vs YOLO11

Pour choisir une architecture de détection d'objets en temps réel pour ton prochain projet de vision par ordinateur, il est utile de comprendre les différences entre les principaux modèles. Ce guide compare techniquement DAMO-YOLO et Ultralytics YOLO11 : architectures, métriques de performance, méthodes d'entraînement et scénarios de déploiement les mieux adaptés.

Détails de DAMO-YOLO :

Détails de YOLO11 :

Philosophie de conception architecturale#

L’architecture sous-jacente d’un modèle de détection d’objets détermine sa vitesse d’inférence, sa précision et son adaptabilité à différents environnements matériels.

DAMO-YOLO apporte plusieurs innovations issues de la recherche universitaire et s'appuie fortement sur la recherche d'architecture neuronale (NAS) pour concevoir automatiquement son backbone. Il utilise un RepGFPN (réseau pyramidal de caractéristiques généralisé reparamétré) efficace pour améliorer la fusion des caractéristiques, ainsi qu'une conception ZeroHead qui réduit considérablement la taille de la lourde tête de prédiction des architectures antérieures. Bien que cette approche fondée sur la NAS permette à DAMO-YOLO d'atteindre certaines efficacités sur des GPU sélectionnés, les architectures qui en résultent peuvent manquer de flexibilité pour se généraliser à divers appareils edge.

À l'inverse, YOLO11 s'appuie sur des années de recherche fondamentale pour proposer une architecture optimisée, conçue manuellement. Il privilégie un backbone simplifié et un cou efficace qui réduit les calculs redondants. L'un des principaux avantages de YOLO11 est son efficacité affinée en matière de paramètres : il assure une représentation riche des caractéristiques sans les besoins élevés en mémoire vidéo typiques des modèles basés sur un Transformer comme RT-DETR. YOLO11 est ainsi polyvalent et fonctionne efficacement sur les GPU grand public, les appareils mobiles et les accélérateurs edge spécialisés.

Performances et métriques#

Évaluer les performances nécessite d’aller au-delà de la précision globale et de tenir compte de l’équilibre entre vitesse, taille du modèle et charge de calcul (FLOPs).

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Comme le montre le tableau, YOLO11 offre un équilibre favorable entre performances. La variante YOLO11s surpasse par exemple DAMO-YOLOs en précision tout en nécessitant nettement moins de paramètres. Cette réduction des besoins en mémoire entraîne directement des coûts de déploiement plus faibles et de meilleures performances sur les appareils edge.

Méthodes d’entraînement et facilité d’utilisation#

Les développeurs consacrent une grande partie de leur temps au pipeline d'entraînement, ce qui fait de son efficacité un enjeu majeur.

DAMO-YOLO utilise un processus d'entraînement en plusieurs étapes qui dépend fortement de la distillation des connaissances. Il utilise AlignedOTA (attribution par transport optimal) pour l'attribution des étiquettes et nécessite souvent d'entraîner un modèle « enseignant » plus grand afin de distiller ses connaissances dans des modèles « étudiants » plus petits. Cette méthode augmente considérablement l'empreinte mémoire CUDA et le temps de calcul global nécessaire à la convergence.

À l'inverse, l'écosystème Ultralytics masque la complexité de l'entraînement des modèles. YOLO11 est conçu pour être facile à utiliser : son API Python simplifiée et sa CLI complète permettent aux ingénieurs de commencer à entraîner des modèles sur des jeux de données personnalisés en une seule commande. Le pipeline d'entraînement utilise efficacement les ressources et limite les pics de consommation mémoire, de sorte que même des modèles plus grands peuvent être entraînés sur du matériel standard.

Un entraînement simplifié avec Ultralytics

L'entraînement d'un modèle Ultralytics ne nécessite aucun code passe-partout. Les pipelines intégrés de chargement des données, d'augmentation et de calcul de la fonction de perte fonctionnent directement.

Voici un exemple rapide d'entraînement et d'exportation d'un modèle Ultralytics :

from ultralytics import YOLO

# Charger un petit modèle YOLO11 préentraîné
model = YOLO("yolo11s.pt")

# Entraîner le modèle sur un jeu de données personnalisé
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Exporter le modèle entraîné au format ONNX pour le déploiement
model.export(format="onnx")

En savoir plus sur YOLO11

Applications en conditions réelles et polyvalence#

Le choix entre ces architectures dépend souvent de l’étendue des tâches requises par ton environnement de déploiement.

Quand DAMO-YOLO est-il adapté ?#

DAMO-YOLO est exclusivement un framework de détection d'objets. Il convient bien à la recherche universitaire, où les équipes explorent la reparamétrisation ou reproduisent des expériences spécifiques de recherche d'architecture neuronale. Il peut également être déployé dans des environnements industriels très contraints, où un accélérateur GPU donné correspond au backbone généré par la NAS.

L’avantage Ultralytics#

Les modèles Ultralytics, dont YOLO11, sont largement utilisés dans des applications commerciales grâce à leur polyvalence et à leur écosystème bien maintenu. Contrairement à DAMO-YOLO, le framework Ultralytics prend nativement en charge plusieurs tâches. De la segmentation d'instances en imagerie médicale à l'estimation de pose pour l'analyse biomécanique dans le sport, une base de code unifiée suffit à tout gérer.

Voici quelques secteurs qui utilisent YOLO11 :

  • Agriculture intelligente : utiliser la détection d’objets pour surveiller la santé des cultures et automatiser les machines de récolte.
  • Analyse du commerce de détail : mettre en œuvre une vidéosurveillance intelligente pour analyser le trafic des clients et automatiser la gestion des stocks.
  • Logistique et chaîne d’approvisionnement : détecter à grande vitesse les codes-barres et les colis à l’aide de boîtes englobantes orientées (OBB) sur des tapis roulants rapides.

Cas d’utilisation et recommandations#

Le choix entre DAMO-YOLO et YOLO11 dépend des besoins spécifiques de ton projet, de tes 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 YOLO11#

YOLO11 est recommandé pour :

  • Déploiement en périphérie en production : applications commerciales sur des appareils comme Raspberry Pi ou NVIDIA Jetson, où la fiabilité et la maintenance active sont primordiales.
  • Applications de vision multitâches : projets nécessitant la détection, la segmentation, l'estimation de pose et les OBB dans un seul framework unifié.
  • Prototypage et déploiement rapides : équipes qui doivent passer rapidement de la collecte de données à la production à l’aide de l’API Python Ultralytics simplifiée.

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 exclusivement CPU : appareils sans accélération GPU dédiée, pour lesquels l’inférence CPU jusqu’à 43 % plus rapide de YOLO26 (YOLO26n par rapport à YOLO11n) constitue un avantage net.
  • 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 nouvelle génération : présentation de YOLO26#

YOLO11 reste un choix puissant et fiable, mais le domaine de la vision par ordinateur évolue rapidement. Pour les développeurs qui lancent de nouveaux projets, le dernier modèle YOLO26 est le point de départ recommandé.

Publié en janvier 2026, YOLO26 apporte plusieurs améliorations :

  • Conception de bout en bout sans NMS : grâce à sa tête one-to-one facultative (nms=False), YOLO26 évite le post-traitement par suppression non maximale et fournit des temps d'inférence plus rapides et prévisibles ainsi que des pipelines de déploiement simplifiés.
  • Inférence CPU jusqu'à 43 % plus rapide : après suppression de Distribution Focal Loss (DFL), YOLO26n fonctionne jusqu'à 43 % plus vite que YOLO11n sur CPU et convient parfaitement aux appareils edge et basse consommation dépourvus de GPU dédié.
  • Optimiseur MuSGD : en intégrant à la vision des techniques d'entraînement des LLM (inspirées de Moonshot AI), cet optimiseur hybride assure une convergence stable et rapide pendant l'entraînement.
  • Techniques d'entraînement avancées : avec ProgLoss + STAL, YOLO26 améliore la reconnaissance des petits objets, essentielle pour l'imagerie aérienne et la robotique.

Conclusion#

DAMO-YOLO et YOLO11 ont tous deux contribué de façon importante aux progrès de la vision par ordinateur rapide et précise. DAMO-YOLO apporte des perspectives universitaires intéressantes sur la recherche d'architecture et la distillation, tandis qu'Ultralytics YOLO11 (et le plus récent YOLO26) offre une expérience développeur plus fluide.

Grâce à leurs faibles besoins en mémoire, à leur documentation complète, à leurs capacités multitâches et à leur intégration à Ultralytics Platform, les modèles Ultralytics restent le premier choix recommandé aux chercheurs et aux ingénieurs en entreprise qui souhaitent créer des solutions d'IA robustes et évolutives. Pour découvrir d'autres architectures avancées, la comparaison YOLO26 vs RT-DETR apporte des informations supplémentaires sur les alternatives basées sur un Transformer.

Commentaires

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