Inizia

DAMO-YOLO vs PP-YOLOE+

La scelta dell'architettura giusta per una distribuzione è una decisione fondamentale nella visione artificiale in tempo reale. Questa guida propone un confronto tecnico tra DAMO-YOLO e PP-YOLOE+, analizzandone le architetture, i metodi di addestramento e le metriche di prestazione. Esamina inoltre il confronto di entrambi i modelli con Ultralytics YOLO26, rilasciato a gennaio 2026.

Panoramica dei modelli#

Entrambi i framework sono emersi nel 2022 come alternative per le applicazioni industriali e impiegano tecniche diverse per migliorare l'accuratezza e la velocità di inferenza.

DAMO-YOLO#

Sviluppato da Alibaba Group, DAMO-YOLO ha introdotto diverse tecniche innovative per ottimizzare il compromesso tra latenza e accuratezza, facendo ampio ricorso alla ricerca automatizzata e alla fusione avanzata delle feature.

DAMO-YOLO utilizza Maximum Entropy Neural Architecture Search (MAE-NAS) per progettare automaticamente backbone ottimizzati per l'efficienza hardware. Include inoltre RepGFPN (Re-parameterized Generalized Feature Pyramid Network), efficiente per la fusione delle feature nella neck, e un design leggero «ZeroHead». Durante l'addestramento, si affida anche alla distillazione della conoscenza per potenziare la capacità di rappresentazione del modello studente.

Scopri di più su DAMO-YOLO

PP-YOLOE+#

Sviluppato dal team PaddlePaddle di Baidu, PP-YOLOE+ è un aggiornamento incrementale dell'architettura PP-YOLOE. Si concentra sul pre-addestramento su larga scala e su funzioni di loss perfezionate per ottenere un mAP elevato, soprattutto nel suo framework nativo di deep learning.

PP-YOLOE+ utilizza un backbone CSPRepResNet e una testa ET (Efficient Task-aligned). La versione «plus» aggiunge il preaddestramento sul dataset Objects365, migliorando la capacità di generalizzazione in ambienti reali eterogenei.

Scopri di più su PP-YOLOE+

Confronto architetturale#

Le diverse filosofie progettuali di questi due modelli determinano i rispettivi casi d'uso più adatti e la compatibilità hardware.

Fusione delle feature e backbone#

I backbone di DAMO-YOLO generati con MAE-NAS sono progettati per i dispositivi edge e spesso offrono un rapporto velocità-parametri favorevole. Tuttavia, queste architetture personalizzate possono essere rigide e complesse da adattare a task nuovi come la segmentazione di istanze. La neck RepGFPN migliora la fusione delle feature multiscala, ma aggiunge complessità durante la fase di esportazione con riparametrizzazione.

PP-YOLOE+ si affida alla più tradizionale, ma efficace, CSPRepResNet. Sebbene questo backbone richieda più parametri di DAMO-YOLO per un'accuratezza simile, è stabile durante l'addestramento e più facile da integrare nelle pipeline esistenti. La testa ET gestisce efficacemente classificazione e regressione, ma richiede ancora fasi di post-elaborazione come la Non-Maximum Suppression (NMS).

Eliminare i ritardi del post-processing

Sia DAMO-YOLO sia PP-YOLOE+ richiedono NMS per la post-elaborazione dei riquadri di delimitazione. Se la latenza di inferenza è fondamentale, considera Ultralytics YOLO26, che offre un design end-to-end nativo senza NMS tramite la testa one-to-one opzionale (nms=False). Questo approccio elimina la post-elaborazione NMS, offrendo una pipeline di distribuzione più rapida e semplice.

Analisi delle prestazioni e delle metriche#

Quando valuti questi modelli per la produzione, è fondamentale bilanciare accuratezza (mAP), velocità di inferenza e numero di parametri. Di seguito trovi un confronto diretto delle principali varianti.

Modellodimensione
(pixel)
mAPval50-95Velocità
CPU ONNX
(ms)
Velocità
T4 TensorRT10
(ms)
parametri
(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

Come mostra la tabella, DAMO-YOLO offre un'accuratezza maggiore alle scale tiny (t) e small (s), e DAMO-YOLOt ha la latenza TensorRT su T4 più bassa tra tutti i modelli qui considerati, grazie ai suoi backbone ottimizzati tramite NAS. PP-YOLOE+, invece, scala bene nelle fasce medium (m) e large (l), raggiungendo punteggi mAP più alti con un lieve calo della velocità TensorRT su T4.

Requisiti di memoria ed efficienza di addestramento#

La dipendenza dalla distillazione di DAMO-YOLO implica spesso la necessità di addestrare un modello insegnante molto più grande prima del modello studente più piccolo. Questo aumenta notevolmente i requisiti di memoria CUDA e il budget computazionale complessivo. PP-YOLOE+ semplifica il processo con un addestramento standard a singola fase, ma resta strettamente legato al framework PaddlePaddle, il che può limitare la flessibilità dei team abituati a PyTorch.

Al contrario, il moderno modello Ultralytics YOLO26 evita questi colli di bottiglia. Grazie al nuovo ottimizzatore MuSGD, una combinazione di SGD e Muon ispirata all'addestramento degli LLM, YOLO26 converge più rapidamente e garantisce un addestramento stabile senza pipeline di distillazione complesse. Inoltre, durante l'addestramento i modelli YOLO richiedono in genere molta meno memoria CUDA rispetto ai rilevatori basati su Transformer come RT-DETR.

Applicazioni nel mondo reale e casi d'uso ideali#

Quando usare DAMO-YOLO#

DAMO-YOLO è adatto all'inferenza edge ad alto throughput, quando la latenza è il principale collo di bottiglia. Le sue varianti più piccole eccellono in ambienti come i sistemi di gestione del traffico o la sorveglianza di base con droni, a condizione che il tuo team di ingegneri disponga delle risorse necessarie per gestire i complessi processi di distillazione e riparametrizzazione.

Quando usare PP-YOLOE+#

PP-YOLOE+ è una buona scelta se hai già investito nell'ecosistema Baidu o gestisci deployment server su larga scala. Il suo mAP elevato lo rende adatto ad attività complesse di analisi di immagini mediche o di rilevamento di difetti nella produzione in ambienti affollati.

I vantaggi di Ultralytics#

Sebbene DAMO-YOLO e PP-YOLOE+ offrano ciascuno vantaggi specifici, gli sviluppatori che cercano versatilità, velocità e semplicità d'uso possono addestrare e distribuire modelli sulla Ultralytics Platform.

Quando aggiorni la tua pipeline di computer vision, Ultralytics YOLO26 offre un'esperienza di sviluppo più snella:

  • Inferenza su CPU fino al 43% più veloce: grazie alla completa rimozione della Distribution Focal Loss (DFL), YOLO26n è fino al 43% più veloce su CPU rispetto a YOLO11n, ed è quindi adatto alle CPU edge e ai dispositivi IoT a basso consumo.
  • Rilevamento migliorato degli oggetti piccoli: l'obiettivo ProgLoss e l'assegnazione delle etichette STAL migliorano il riconoscimento degli oggetti piccoli, un aspetto fondamentale per le immagini aeree.
  • Versatilità estesa: a differenza di PP-YOLOE+, che si concentra esclusivamente sul rilevamento, YOLO26 gestisce anche la stima della posa, le bounding box orientate (OBB) e la segmentazione semantica, con miglioramenti architetturali specifici per ogni attività.

Conclusione#

DAMO-YOLO e PP-YOLOE+ rappresentano tappe importanti nell'evoluzione del rilevamento di oggetti anchor-free. DAMO-YOLO ha spinto al limite la ricerca dell'architettura neurale per ridurre la latenza edge, mentre PP-YOLOE+ ha dimostrato il potenziale del pre-addestramento su larga scala.

Tuttavia, per gli sviluppatori che cercano il miglior equilibrio tra velocità, accuratezza e semplicità di deployment, il modello Ultralytics YOLO26 è la scelta consigliata. La sua architettura senza NMS, la solida API Python e l'integrazione con strumenti come Weights & Biases e TensorRT aiutano i tuoi progetti a passare agevolmente dal prototipo alla produzione.

Pronto per iniziare? Consulta la Guida rapida di Ultralytics oppure confronta altri modelli nella panoramica YOLO11 vs DAMO-YOLO.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.