YOLOv8 vs. DAMO-YOLO: Un confronto tecnico completo

Nel panorama in rapida evoluzione della visione artificiale, la scelta dell'architettura di rilevamento degli oggetti più adeguata è fondamentale per garantire un equilibrio tra accuratezza, velocità ed efficienza di implementazione. Questa guida fornisce un'analisi tecnica approfondita di due modelli di spicco: Ultralytics YOLOv8, noto per il suo ecosistema robusto e la facilità d'uso, e YOLO, un'architettura incentrata sulla ricerca che sfrutta la ricerca dell'architettura neurale (NAS).

Riepilogo

MentreYOLO concetti innovativi nel 2022 come le dorsali NAS e la riparametrizzazione, YOLOv8 (rilasciato nel 2023) e il più recente YOLO26 (rilasciato nel 2026) offrono un ecosistema più maturo e pronto per la produzione. Ultralytics forniscono un'esperienza "zero-to-hero" senza soluzione di continuità con supporto integrato per la formazione, la convalida e l'implementazione su hardware diversi, mentreYOLO si rivolgeYOLO alla ricerca accademica con una pipeline di formazione più complessa.

Metriche di performance

La tabella seguente mette a confronto le prestazioni di YOLOv8 YOLO set di dati COCO . YOLOv8 una versatilità e una velocità superiori, in particolare negli scenari di inferenza nel mondo reale.

Modello	dimensione ^(pixel)	mAP^val 50-95	Velocità ^{CPU ONNX (ms)}	Velocità ^{T4 TensorRT10 (ms)}	parametri ^(M)	FLOPs ^(B)
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	165.2
YOLOv8x	640	53.9	479.1	14.37	68.2	257.8

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

Panoramica di Ultralytics YOLOv8

YOLOv8 rappresenta un significativo passo avanti nella YOLO , progettato da Ultralytics essere il modello all'avanguardia più utilizzabile e accurato per un'ampia gamma di attività.

Autori: Glenn Jocher, Ayush Chaurasia e Jing Qiu
Organizzazione:Ultralytics
Data: 10 gennaio 2023
Documentazione:Documentazione YOLOv8
GitHub:ultralytics/ultralytics

Caratteristiche principali di YOLOv8

YOLOv8 sui successi precedenti con un framework unificato che supporta il rilevamento di oggetti, la segmentazione di istanze, la stima della posa, la classificazione e il rilevamento di bounding box orientati (OBB). La sua testa di rilevamento senza ancoraggio e le nuove funzioni di perdita semplificano il processo di apprendimento, garantendo una maggiore precisione e una convergenza più rapida.

Ecosistema integrato

A differenza dei repository dedicati esclusivamente alla ricerca, YOLOv8 supportato dal completo Ultralytics . Questo include la Ultralytics per la formazione senza codice e la gestione dei set di dati, nonché integrazioni perfette con strumenti come Weights & Biases e Ultralytics .

Scopri di più su YOLOv8

Panoramica su DAMO-YOLO

YOLO è un framework per il rilevamento di oggetti sviluppato dalla Alibaba DAMO Academy. Pone l'accento sulla bassa latenza e sull'elevata precisione sfruttando la ricerca di architetture neurali (NAS) e altre tecniche avanzate.

Autori: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang e Xiuyu Sun
Organizzazione: Alibaba Group
Data: 23 novembre 2022
Arxiv:DAMO-YOLO: A Report on Real-Time Object Detection Design
GitHub:tinyvision/DAMO-YOLO

Architettura e Metodologia

YOLO una ricerca architetturale multiscala (MAE-NAS) per individuare le strutture ottimali per diversi vincoli di latenza. Utilizza una rete RepGFPN (Re-parameterized Generalized Feature Pyramid Network) per una fusione efficiente delle caratteristiche e impiega un intenso processo di distillazione durante l'addestramento per migliorare le prestazioni del modello studente.

Confronto architettonico dettagliato

Le filosofie architetturali di questi due modelli divergono in modo significativo, influendo sulla loro usabilità e flessibilità.

Backbone e Fusione di Feature

YOLOv8 utilizza una struttura CSPDarknet modificata con moduli C2f, ottimizzati per un flusso di gradienti ricco e un'elevata efficienza hardware. Questo approccio "bag-of-freebies" garantisce prestazioni elevate senza la necessità di complesse fasi di ricerca.

Al contrario, YOLO si affida al NAS per individuare backbone come MobileOne o varianti basate su CSP su misura per hardware specifici. Sebbene ciò possa comportare guadagni teorici in termini di efficienza, spesso complica il processo di formazione e rende più difficile per lo sviluppatore medio personalizzare l'architettura per compiti innovativi.

Metodologia di Addestramento

L'addestramentoYOLO un processo complesso e articolato in più fasi. Prevede una strategia "ZeroHead" e un'intensa pipeline di distillazione in cui un grande modello insegnante guida lo studente. Ciò richiede notevoli risorse computazionali e una configurazione complessa.

Ultralytics danno priorità all'efficienza dell'addestramento. YOLOv8 e il più recente YOLO26) possono essere addestrati da zero o ottimizzati su dati personalizzati con un unico comando. L'uso di pesi pre-addestrati riduce significativamente il tempo e CUDA necessari per la convergenza.

# Simplicity of Ultralytics Training
yolo train model=yolov8n.pt data=coco8.yaml epochs=100 imgsz=640

Versatilità e supporto per i task

Un vantaggio fondamentale del Ultralytics è la sua intrinseca versatilità. MentreYOLO principalmente un rilevatore di oggetti, YOLOv8 una moltitudine di attività di visione artificiale. Gli sviluppatori possono passare dal rilevamento di automobili alla segmentazione di tumori o alla stima delle posture umane senza modificare il proprio stack software.

Ultralytics di Ultralytics : perché scegliere YOLOv8 YOLO26?

Per gli sviluppatori e le imprese, la scelta del modello spesso va oltre mAP semplice mAP intero ciclo di vita del prodotto AI.

1. Facilità d'uso e documentazione

Ultralytics rinomata per la sua documentazione leader nel settore e Python semplice Python . L'integrazione YOLOv8 un'applicazione richiede solo poche righe di codice, mentreYOLO richiede la navigazione in complessi codici di ricerca con un supporto esterno limitato.

2. Distribuzione ed esportazione

L'implementazione nel mondo reale richiede flessibilità. Ultralytics supportano l'esportazione con un solo clic in formati come ONNX, TensorRT, CoreMLe TFLite. Ciò garantisce che il tuo modello possa funzionare su qualsiasi dispositivo, dai server cloud ai dispositivi edge come Raspberry Pi o NVIDIA .

3. Equilibrio delle prestazioni

YOLOv8 un eccezionale compromesso tra velocità e precisione. Per gli utenti che richiedono un'efficienza ancora maggiore, il nuovo YOLO26 si basa su questa eredità con un design end-to-end NMS. Ciò elimina la post-elaborazione Non-Maximum Suppression (NMS), con conseguente inferenza più veloce e logica di implementazione più semplice.

Il futuro è senza NMS

YOLO26 è all'avanguardia nell'architettura end-to-end nativa. Eliminando la necessità di NMS utilizzando il nuovo MuSGD Optimizer (ispirato alla formazione LLM), YOLO26 offre CPU fino al 43% più veloce rispetto alle generazioni precedenti, rendendolo la scelta migliore per l'edge computing.

Scopri di più su YOLO26

Casi d'uso ideali

ScegliYOLO : sei un ricercatore che studia specificatamente le tecniche di ricerca dell'architettura neurale (NAS) o hai un vincolo hardware altamente specializzato in cui una struttura generica non è sufficiente e disponi delle risorse per gestire complesse pipeline di distillazione.
Scegli Ultralytics YOLOv8 se: hai bisogno di una soluzione pronta per la produzione per analisi di vendita al dettaglio, veicoli autonomi, imaging medico o applicazioni per città intelligenti. Le sue solide opzioni di esportazione, i requisiti di memoria ridotti e il supporto attivo della community lo rendono lo standard per un'implementazione commerciale affidabile.

Conclusione

MentreYOLO interessanti innovazioni accademiche nella ricerca architettonica, Ultralytics YOLOv8 e l'avanguardistico YOLO26 rimangono le scelte preferite per le applicazioni pratiche. La loro combinazione di facilità d'uso, ecosistema ben mantenuto e prestazioni equilibrate garantisce che gli sviluppatori possano concentrarsi sulla risoluzione di problemi reali piuttosto che lottare con i dettagli di implementazione del modello.

Per chi è pronto a intraprendere il proprio percorso nel campo della visione artificiale, consigliamo di consultare la Guida rapida o di approfondire le funzionalità della Ultralytics .