DAMO-YOLO vs YOLOv8
La vision par ordinateur en temps réel continue d'évoluer à mesure que les chercheurs et les ingénieurs améliorent la vitesse et la précision. Deux jalons importants sont DAMO-YOLO et Ultralytics YOLOv8. Bien que les deux modèles visent à optimiser le compromis entre latence et précision moyenne (mAP), ils adoptent des approches architecturales fondamentalement différentes pour la détection d'objets.
Cette comparaison technique porte sur leurs architectures sous-jacentes, leurs méthodes d'entraînement et leurs déploiements pratiques afin de t'aider à choisir l'outil adapté à ton prochain projet d'IA.
Origines et spécifications des modèles#
Comprendre les origines de ces modèles d’apprentissage profond permet de mieux saisir leurs objectifs de conception et leurs écosystèmes de déploiement.
Détails sur 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 : tinyvision/DAMO-YOLO
Présentation d’Ultralytics YOLOv8#
- Auteurs : Glenn Jocher, Ayush Chaurasia et Jing Qiu
- Organisation : Ultralytics
- Date : 2023-01-10
- GitHub : ultralytics/ultralytics
- Documentation : Documentation de YOLOv8
Innovations architecturales#
Les caractéristiques de performance des deux architectures découlent de leurs choix structurels propres.
DAMO-YOLO : guidé par la recherche d’architecture#
DAMO-YOLO s'appuie fortement sur la recherche d'architecture neuronale (NAS) pour découvrir automatiquement des structures de réseau efficaces. Il introduit le concept MAE-NAS, qui recherche des backbones offrant de hautes performances et une faible latence. Il utilise également un RepGFPN (réseau pyramidal de caractéristiques généralisé reparamétré) efficace pour améliorer la fusion des caractéristiques à différentes échelles spatiales.
Pour améliorer l'entraînement, l'équipe Alibaba a intégré la conception ZeroHead et l'attribution des étiquettes AlignedOTA. Elle s'appuie également sur un processus complexe de distillation des connaissances, dans lequel un modèle enseignant imposant guide un modèle étudiant léger afin d'améliorer les résultats sur les benchmarks universitaires.
YOLOv8 : simplifié et polyvalent#
Ultralytics a adopté une approche de YOLOv8 axée sur les développeurs. Le modèle est passé de la conception basée sur des ancres de YOLOv5 à une architecture sans ancres, réduisant considérablement le nombre de prédictions de boîtes englobantes et accélérant l’inférence. L’introduction du module C2f (goulot d’étranglement à connexions partielles entre étapes avec 2 convolutions) a amélioré le flux des gradients et la représentation des caractéristiques sans entraîner de surcoût computationnel excessif.
Contrairement aux modèles qui se limitent strictement aux boîtes englobantes, YOLOv8 a été conçu dès le départ pour gérer plusieurs tâches. Une base de code unifiée PyTorch prend nativement en charge la segmentation d'instances, la classification d'images et l'estimation de pose, sans obliger les ingénieurs à assembler des dépôts distincts.
Les modèles Ultralytics nécessitent moins de mémoire à l'entraînement que les architectures lourdes basées sur un Transformer, ce qui permet d'obtenir d'excellents résultats sur des GPU grand public standard.
Comparaison des performances#
Pour comparer les métriques brutes, il est essentiel d’analyser comment les capacités théoriques se traduisent en performances sur le matériel. Le tableau ci-dessous illustre les compromis entre les différentes tailles de modèles.
| 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 |
| 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 | 165.1 |
| YOLOv8x | 640 | 53.9 | 479.1 | 14.37 | 68.2 | 257.8 |
Bien que DAMO-YOLO affiche un excellent rapport entre le nombre de paramètres et la précision grâce à ses techniques de distillation, YOLOv8 propose une gamme plus étendue de tailles de modèles (de Nano à Extra-large). Le modèle YOLOv8n est bien optimisé pour les appareils edge : il utilise moins de ressources tout en conservant une précision exploitable.
Écosystème et expérience des développeurs#
La principale différence entre les articles universitaires et les systèmes prêts pour la production réside dans l'écosystème.
Le recours de DAMO-YOLO à des pipelines étendus de distillation des connaissances peut rendre l'entraînement personnalisé fastidieux. Générer un modèle enseignant, transférer les connaissances et régler les backbones basés sur la NAS nécessite une grande quantité de mémoire CUDA et une configuration avancée, ce qui ralentit souvent les équipes d'ingénierie agiles.
À l'inverse, l'écosystème Ultralytics privilégie la facilité d'utilisation. Grâce à Ultralytics Platform, les développeurs peuvent accéder à des API simples, à une documentation complète et à des intégrations robustes de suivi des expériences. Le framework Python unifié facilite la création de pipelines complexes.
from ultralytics import YOLO
# Charger un modèle YOLOv8 nano préentraîné
model = YOLO("yolov8n.pt")
# Entraîner le modèle sur un jeu de données personnalisé avec les augmentations intégrées
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)
# Exporte le modèle entraîné au format ONNX pour le déploiement
model.export(format="onnx")Ce workflow simplifié, associé aux exportations vers OpenVINO et TensorRT, facilite le passage du prototypage local au déploiement dans le cloud ou en périphérie.
Applications concrètes et cas d'usage idéaux#
Le choix entre ces architectures dépend souvent des contraintes opérationnelles de ton environnement.
Quand DAMO-YOLO est-il adapté ?#
DAMO-YOLO est un bon choix pour les environnements universitaires où l'on étudie la recherche d'architecture neuronale, ou pour les chercheurs qui cherchent à reproduire des stratégies complexes de reparamétrisation. Il peut également offrir de bonnes performances dans des applications industrielles très contrôlées, comme la détection rapide de défauts sur les chaînes de fabrication, à condition que l'équipe dispose des ressources de calcul nécessaires à son entraînement en plusieurs étapes.
Pourquoi Ultralytics domine en production#
Pour la plupart des projets commerciaux, les modèles Ultralytics offrent un meilleur équilibre entre performances.
- Commerce de détail intelligent : utiliser les capacités multitâches de YOLOv8 pour gérer à la fois la détection de boîtes englobantes des produits en stock et l’estimation de pose afin d’analyser le comportement des clients.
- Agriculture : utiliser la segmentation d’instances pour détecter précisément les contours des plantes et les mauvaises herbes dans les flux vidéo en temps réel de tracteurs.
- Imagerie aérienne : utiliser les boîtes englobantes orientées (OBB) pour suivre avec précision les véhicules et les navires inclinés à partir de drones ou de satellites.
Préparer l’avenir : place à YOLO26#
YOLOv8 reste un modèle fondamental, mais le domaine a continué de progresser. Pour tout nouveau développement, le modèle recommandé est YOLO26. Publié en janvier 2026, il constitue une avancée majeure dans la gamme Ultralytics.
YOLO26 propose une conception de bout en bout sans NMS native (nms=False) qui, lorsqu'elle est activée, élimine le goulot d'étranglement traditionnel de la suppression non maximale. Associée à la suppression de Distribution Focal Loss (DFL), cette conception permet à YOLO26n d'offrir une inférence CPU jusqu'à 43 % plus rapide que YOLO11n, ce qui le rend parfaitement adapté à l'informatique en périphérie et au matériel IoT.
YOLO26 introduit également l'optimiseur MuSGD, inspiré des techniques d'entraînement des grands modèles de langage (LLM), qui assure une convergence plus rapide et un entraînement stable. Associé à la nouvelle stratégie d'entraînement ProgLoss + STAL, YOLO26 améliore la reconnaissance des petits objets, permettant des déploiements à la fois rapides et précis.
Commentaires
Pose une question, partage tes résultats ou aide quelqu’un d’autre.