Inizia

DAMO-YOLO vs YOLO11

Quando scegli un'architettura di rilevamento di oggetti in tempo reale per il tuo prossimo progetto di visione artificiale, è utile capire in cosa differiscono i principali modelli. Questa guida confronta dal punto di vista tecnico DAMO-YOLO e Ultralytics YOLO11, esaminandone le architetture, le metriche prestazionali, i metodi di addestramento e gli scenari di deployment più adatti.

Dettagli su DAMO-YOLO:

Dettagli di YOLO11:

Filosofia di progettazione dell'architettura#

L'architettura alla base di un modello di rilevamento di oggetti determina la velocità di inferenza, l'accuratezza e l'adattabilità ai diversi ambienti hardware.

DAMO-YOLO introduce diverse innovazioni accademiche e si affida ampiamente alla ricerca dell'architettura neurale (NAS) per progettare automaticamente il proprio backbone. Usa un RepGFPN (rete piramidale delle feature generalizzata riparametrizzata) efficiente per migliorare la fusione delle feature e una progettazione ZeroHead che riduce notevolmente la pesante testa di predizione presente nelle architetture precedenti. Sebbene questo approccio basato su NAS permetta a DAMO-YOLO di raggiungere efficienze specifiche su alcune GPU, le architetture risultanti potrebbero non essere abbastanza flessibili da generalizzare a dispositivi edge diversi.

Al contrario, YOLO11 si basa su anni di ricerca fondamentale per offrire un'architettura ottimizzata e progettata manualmente. Punta su un backbone snello e un neck efficiente che riduce i calcoli ridondanti. Uno dei principali vantaggi di YOLO11 è l'efficienza ottimizzata dei parametri: ottiene un'elevata capacità di rappresentazione delle feature senza i notevoli requisiti di VRAM tipici dei modelli basati su Transformer come RT-DETR. Questo rende YOLO11 versatile e in grado di funzionare senza problemi su GPU di fascia consumer, dispositivi mobili e acceleratori edge specializzati.

Prestazioni e metriche#

Per valutare le prestazioni occorre andare oltre l'accuratezza complessiva e considerare l'equilibrio tra velocità, dimensioni del modello e carico computazionale (FLOPs).

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
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

Come mostra la tabella, YOLO11 offre un buon equilibrio prestazionale. La variante YOLO11s, ad esempio, supera DAMO-YOLOs in accuratezza pur mantenendo un ingombro di parametri notevolmente inferiore. Questa riduzione dei requisiti di memoria si traduce direttamente in costi di deployment inferiori e prestazioni più agili sui dispositivi edge.

Metodologie di addestramento e facilità d’uso#

Gli sviluppatori dedicano gran parte del loro tempo alla pipeline di addestramento, perciò l'efficienza dell'addestramento è una preoccupazione importante.

DAMO-YOLO adotta un processo di addestramento in più fasi che dipende fortemente dalla distillazione della conoscenza. Utilizza AlignedOTA (assegnazione ottimale tramite trasporto) per assegnare le etichette e spesso richiede di addestrare un modello «insegnante» più grande per trasferire le conoscenze ai modelli «studenti» più piccoli. Questo metodo aumenta notevolmente l'uso della memoria CUDA e il tempo di calcolo complessivo necessario per convergere.

Al contrario, l'ecosistema Ultralytics nasconde la complessità dell'addestramento dei modelli. YOLO11 è progettato per essere semplice da usare e include un'API Python snella e una CLI completa, che consentono agli ingegneri di iniziare ad addestrare modelli su dataset personalizzati con un solo comando. La pipeline di addestramento usa le risorse in modo efficiente e limita i picchi di memoria, così anche i modelli più grandi possono essere addestrati su hardware standard.

Addestramento semplificato con Ultralytics

Per addestrare un modello Ultralytics non serve codice boilerplate. Le pipeline integrate per il caricamento dei dati, l'aumento dei dati e il calcolo della funzione di perdita funzionano subito.

Ecco un rapido esempio di addestramento ed esportazione di un modello Ultralytics:

from ultralytics import YOLO

# Carica un modello YOLO11 small preaddestrato
model = YOLO("yolo11s.pt")

# Addestra il modello su un dataset personalizzato
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Esporta il modello addestrato in ONNX per il deployment
model.export(format="onnx")

Scopri di più su YOLO11

Applicazioni nel mondo reale e versatilità#

La scelta tra queste architetture dipende spesso dall'ampiezza delle attività richieste dall'ambiente di distribuzione.

Dove si colloca DAMO-YOLO#

DAMO-YOLO è esclusivamente un framework per il rilevamento di oggetti. È adatto alla ricerca accademica, in cui i team studiano la riparametrizzazione o riproducono specifici esperimenti di ricerca dell'architettura neurale. Può anche essere distribuito in ambienti industriali con vincoli rigorosi, dove uno specifico acceleratore GPU corrisponde al backbone generato da NAS.

I vantaggi di Ultralytics#

I modelli Ultralytics, incluso YOLO11, sono ampiamente usati nelle applicazioni commerciali grazie alla loro versatilità e a un ecosistema ben mantenuto. A differenza di DAMO-YOLO, il framework Ultralytics supporta nativamente più attività. Dalla segmentazione di istanze nell'imaging medico alla stima della posa per l'analisi biomeccanica nello sport, un'unica base di codice unificata gestisce tutto.

Tra i settori che utilizzano YOLO11 troviamo:

  • Agricoltura intelligente: utilizzo del rilevamento di oggetti per monitorare la salute delle colture e automatizzare i macchinari per la raccolta.
  • Analisi del settore retail: implementazione della videosorveglianza intelligente per analizzare il flusso dei clienti e automatizzare la gestione delle scorte.
  • Logistica e catena di approvvigionamento: rilevamento ad alta velocità di codici a barre e pacchi sui nastri trasportatori veloci mediante riquadri di delimitazione orientati (OBB).

Casi d'uso e consigli#

La scelta tra DAMO-YOLO e YOLO11 dipende dai requisiti specifici del tuo progetto, dai vincoli di distribuzione e dalle preferenze relative all'ecosistema.

Quando scegliere DAMO-YOLO#

DAMO-YOLO è un'ottima scelta per:

  • Analisi video ad alto throughput: elaborazione di flussi video ad alto FPS su infrastrutture GPU NVIDIA fisse, dove il throughput con batch di dimensione 1 è la metrica principale.
  • Linee di produzione industriale: scenari con rigidi vincoli di latenza GPU su hardware dedicato, come l'ispezione della qualità in tempo reale sulle linee di assemblaggio.
  • Ricerca sulla ricerca di architetture neurali: studio degli effetti della ricerca automatizzata delle architetture (MAE-NAS) e dei backbone efficienti riparametrizzati sulle prestazioni di rilevamento.

Quando scegliere YOLO11#

YOLO11 è consigliato per:

  • Deployment edge in produzione: applicazioni commerciali su dispositivi come Raspberry Pi o NVIDIA Jetson, per cui affidabilità e manutenzione attiva sono fondamentali.
  • Applicazioni di visione multi-task: progetti che richiedono rilevamento, segmentazione, stima della posa e OBB all'interno di un unico framework unificato.
  • Prototipazione e deployment rapidi: team che devono passare rapidamente dalla raccolta dei dati alla produzione usando la API Python di Ultralytics, semplice e intuitiva.

Quando scegliere Ultralytics (YOLO26)#

Per la maggior parte dei nuovi progetti, Ultralytics YOLO26 offre la combinazione migliore di prestazioni ed esperienza per gli sviluppatori:

  • Distribuzione edge senza NMS: applicazioni che richiedono un’inferenza costante e a bassa latenza, senza la complessità della post-elaborazione con Non-Maximum Suppression (NMS).
  • Ambienti solo CPU: dispositivi senza accelerazione GPU dedicata, in cui l'inferenza CPU fino al 43% più veloce di YOLO26 (YOLO26n rispetto a YOLO11n) offre un chiaro vantaggio.
  • Rilevamento di oggetti di piccole dimensioni: scenari complessi come le immagini aeree acquisite da droni o l'analisi dei sensori IoT, in cui ProgLoss e STAL migliorano notevolmente la precisione sugli oggetti molto piccoli.

La nuova generazione: ecco YOLO26#

YOLO11 resta una scelta potente e affidabile, ma il panorama della visione artificiale evolve rapidamente. Per gli sviluppatori che avviano nuovi progetti, il modello YOLO26 più recente è il punto di partenza consigliato.

Rilasciato a gennaio 2026, YOLO26 introduce diversi miglioramenti:

  • Progettazione end-to-end senza NMS: grazie alla testa one-to-one opzionale (nms=False), YOLO26 salta la post-elaborazione con la soppressione non massima, garantendo tempi di inferenza più rapidi e prevedibili e pipeline di deployment più semplici.
  • Inferenza su CPU fino al 43% più veloce: eliminando Distribution Focal Loss (DFL), YOLO26n funziona su CPU fino al 43% più velocemente di YOLO11n ed è particolarmente adatto ai dispositivi edge e a basso consumo privi di GPU dedicate.
  • Ottimizzatore MuSGD: portando nella visione tecniche di addestramento degli LLM ispirate a Moonshot AI, questo ottimizzatore ibrido consente una convergenza rapida e stabile durante l'addestramento.
  • Tecniche di addestramento avanzate: con ProgLoss + STAL, YOLO26 migliora il riconoscimento degli oggetti di piccole dimensioni, essenziale per le immagini aeree e la robotica.

Conclusione#

Sia DAMO-YOLO che YOLO11 hanno contribuito in modo significativo allo sviluppo di una visione artificiale rapida e accurata. DAMO-YOLO offre interessanti spunti accademici sulla ricerca dell'architettura e la distillazione, mentre Ultralytics YOLO11 (e il più recente YOLO26) garantisce un'esperienza di sviluppo più fluida.

Grazie ai minori requisiti di memoria, alla documentazione completa, alle capacità multi-task e all'integrazione con la Ultralytics Platform, i modelli Ultralytics restano la scelta consigliata per ricercatori e ingegneri aziendali che vogliono creare soluzioni IA solide e scalabili. Per chi esplora altre architetture avanzate, il confronto tra YOLO26 e RT-DETR offre ulteriori spunti sulle alternative basate su Transformer.

Commenti

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