DAMO-YOLO vs EfficientDet
A investigação em visão computacional produziu muitas arquiteturas adaptadas a diferentes exigências do mundo real. Algumas frameworks dão prioridade à escalabilidade, enquanto outras se concentram na velocidade de inferência em tempo real. Esta comparação aborda DAMO-YOLO e EfficientDet, dois modelos influentes que adotam abordagens distintas para a deteção de objetos. Analisa as suas arquiteturas, compara o desempenho em benchmarks e explica por que razão o Ultralytics YOLO26 é uma opção sólida para implementações de produção modernas.
Visão geral da arquitetura#
Ambos os modelos foram projetados para lidar com o equilíbrio entre eficiência e precisão, mas recorrem a mecanismos fundamentalmente diferentes para alcançar seus objetivos.
DAMO-YOLO: velocidade por meio de busca de arquitetura neural#
Desenvolvido para ampliar os limites da detecção em tempo real, o DAMO-YOLO utiliza técnicas de busca automatizada para criar redes altamente eficientes, adequadas a ambientes de baixa latência.
Detalhes do DAMO-YOLO:
- Autores: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang e Xiuyu Sun
- Organização: Alibaba Group
- Data: 2022-11-23
- arXiv: https://arxiv.org/abs/2211.15444v2
- GitHub: https://github.com/tinyvision/DAMO-YOLO
O DAMO-YOLO baseia-se num backbone de Pesquisa de Arquitetura Neural (NAS) que otimiza tanto a velocidade como a precisão. Introduz o RepGFPN (Rede de Pirâmide de Características Generalizada Reparametrizada), que melhora a fusão de características mantendo velocidades de inferência elevadas. Além disso, o seu design ZeroHead minimiza a sobrecarga computacional normalmente associada às cabeças de deteção. O modelo também utiliza a atribuição de rótulos AlignedOTA (Atribuição de Transporte Ótimo Alinhada) e destilação de conhecimento, para que até as variantes mais pequenas aprendam representações ricas a partir de modelos maiores.
EfficientDet: escalabilidade por meio de dimensionamento composto#
Ao contrário da abordagem que prioriza a velocidade, o EfficientDet concentra-se na escalabilidade sistemática em diferentes orçamentos computacionais.
Detalhes do EfficientDet:
- Autores: Mingxing Tan, Ruoming Pang e Quoc V. Le
- Organização: Google Brain
- Data: 2019-11-20
- arXiv: https://arxiv.org/abs/1911.09070
- GitHub: https://github.com/google/automl/tree/master/efficientdet
O EfficientDet introduz o BiFPN (Rede de Pirâmide de Características Bidirecional), que permite uma fusão rápida de características em várias escalas. Ao contrário dos métodos tradicionais, que aumentam as arquiteturas adicionando camadas ou canais arbitrariamente, o EfficientDet utiliza um método de escalonamento composto que ajusta uniformemente e em simultâneo a resolução, a profundidade e a largura do backbone, da rede de características e das redes de previsão de caixas/classes. Isto permitiu-lhe alcançar precisão de ponta na altura do seu lançamento em hardware de alto desempenho, oferecendo também variantes mais pequenas para ambientes com restrições.
Sabe mais sobre o EfficientDet
Comparação de desempenho e métricas#
A comparação lado a lado deixa claro o compromisso entre precisão e velocidade de inferência. A tabela abaixo apresenta as principais métricas de desempenho, mostrando como as capacidades de inferência do DAMO-YOLO se comparam com a família de modelos EfficientDet.
| Modelo | tamanho (pixels) | mAPval50-95 | Velocidade CPU ONNX (ms) | Velocidade T4 TensorRT10 (ms) | parâmetros (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 |
| EfficientDet-d0 | 512 | 34.6 | - | 3.92 | 3.9 | 2.54 |
| EfficientDet-d1 | 640 | 40.5 | - | 7.31 | 6.6 | 6.1 |
| EfficientDet-d2 | 768 | 43.0 | - | 10.92 | 8.1 | 11.0 |
| EfficientDet-d3 | 896 | 47.5 | - | 19.59 | 12.0 | 24.9 |
| EfficientDet-d4 | 1024 | 49.7 | - | 33.55 | 20.7 | 55.2 |
| EfficientDet-d5 | 1280 | 51.5 | - | 67.86 | 33.7 | 130.0 |
| EfficientDet-d6 | 1280 | 52.6 | - | 89.29 | 51.9 | 226.0 |
| EfficientDet-d7 | 1536 | 53.7 | - | 128.07 | 51.9 | 325.0 |
O EfficientDet-d7 alcança a maior precisão geral, sendo adequado para aplicações exigentes na nuvem. A série DAMO-YOLO oferece precisão competitiva com latência muito menor em hardware GPU, o que a torna uma opção mais forte para implementações de borda em tempo real.
Casos de uso e recomendações#
A escolha entre DAMO-YOLO e EfficientDet depende dos requisitos específicos do seu projeto, das restrições de implantação e das suas preferências de ecossistema.
Quando escolher DAMO-YOLO#
O DAMO-YOLO é uma boa opção para:
- Análise de vídeo de alto rendimento: Processamento de transmissões de vídeo com alto FPS em uma infraestrutura fixa de GPU NVIDIA, na qual o rendimento com lote 1 é a principal métrica.
- Linhas de fabricação industrial: Cenários com restrições rigorosas de latência da GPU em hardware dedicado, como inspeção de qualidade em tempo real em linhas de montagem.
- Pesquisa em busca de arquitetura neural: Estudo dos efeitos da busca automatizada de arquitetura (MAE-NAS) e de backbones eficientes com reparametrização no desempenho da detecção.
Quando escolher o EfficientDet#
O EfficientDet é recomendado para:
- Google Cloud e pipelines de TPU: Sistemas baseados em TensorFlow na infraestrutura de TPU do Google Cloud, onde a implementação de referência do EfficientDet oferece suporte ao treinamento em TPU.
- Investigação sobre escalonamento composto: Avaliação comparativa académica centrada no estudo dos efeitos do escalonamento equilibrado da profundidade, largura e resolução da rede.
- Implementação móvel através do LiteRT: Projetos que exigem especificamente a exportação para LiteRT (anteriormente TensorFlow Lite) para Android ou dispositivos Linux integrados.
Quando escolher Ultralytics (YOLO26)#
Para a maioria dos projetos novos, Ultralytics YOLO26 oferece a melhor combinação de desempenho e experiência para desenvolvedores:
- Implantação de borda sem NMS: Aplicações que exigem inferência consistente e de baixa latência, sem a complexidade do pós-processamento de supressão não máxima (NMS).
- Ambientes apenas com CPU: dispositivos sem aceleração GPU dedicada, nos quais a inferência na CPU do YOLO26n, até 43% mais rápida do que a do YOLO11n, oferece uma vantagem clara.
- Detecção de objetos pequenos: Cenários desafiadores, como imagens aéreas de drones ou análise de sensores de IoT, nos quais ProgLoss e STAL melhoram significativamente a precisão na detecção de objetos minúsculos.
A alternativa moderna: Ultralytics YOLO26#
Embora DAMO-YOLO e EfficientDet sejam marcos académicos importantes, a implementação no mundo real exige muitas vezes uma abordagem mais equilibrada, rica em funcionalidades e favorável aos programadores. O Ultralytics YOLO26 foi concebido precisamente para isso.
Lançado em janeiro de 2026, o YOLO26 dá continuidade ao legado dos seus antecessores, incluindo o Ultralytics YOLO11 e o YOLOv8, e simplifica a forma como os modelos de deteção de objetos são treinados e implementados.
O YOLO26 apresenta um design nativo de ponta a ponta sem NMS (nms=False). Ao remover a supressão não máxima (NMS) do pós-processamento, um gargalo de implementação há muito presente nos detetores de objetos, o YOLO26 oferece um pipeline de implementação mais simples e rápido, especialmente em hardware de borda.
Desempenho e versatilidade#
O YOLO26 melhora a estabilidade e a precisão do treino, além da velocidade. Introduz o Otimizador MuSGD, um híbrido de SGD e Muon inspirado no treino de LLM, para uma convergência mais rápida e um treino mais eficiente. Ao contrário de alternativas mais pesadas baseadas em Transformer, como o RT-DETR, o YOLO26 mantém baixos os requisitos de memória, pelo que pode ser treinado em hardware de consumo.
O YOLO26 também incorpora ProgLoss + STAL, que melhora o reconhecimento de objetos pequenos para casos de utilização como imagens aéreas captadas por drones e robótica. Para otimizar o desempenho em dispositivos de baixo consumo, o YOLO26 removeu Distribution Focal Loss (DFL), resultando numa inferência na CPU até 43% mais rápida para o YOLO26n em comparação com o YOLO11n.
Ecossistema e facilidade de uso#
Um dos maiores obstáculos dos modelos como o EfficientDet é o complexo processo de integração. Em contrapartida, a Ultralytics Platform oferece um ecossistema abrangente e bem mantido, de ponta a ponta. Com uma API unificada, os utilizadores podem alternar facilmente entre deteção, segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB).
Treinar e executar inferência com o YOLO26 requer apenas algumas linhas com o pacote Python da Ultralytics:
from ultralytics import YOLO
# Carrega o modelo nano YOLO26
model = YOLO("yolo26n.pt")
# Treina o modelo no seu conjunto de dados personalizado com uso mínimo de memória
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)
# Executa inferência ultrarrápida sem NMS
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)Conclusão#
A comparação entre DAMO-YOLO e EfficientDet destaca os compromissos entre Pesquisa de Arquitetura Neural e escalonamento composto, mas o trabalho de produção também exige ferramentas que façam a ponte entre a investigação académica e a implementação.
Para os programadores que dão prioridade à facilidade de utilização, a uma comunidade ativa de código aberto e a um bom equilíbrio entre velocidade e precisão, o Ultralytics YOLO26 é a opção recomendada. A sua arquitetura sem NMS, a baixa sobrecarga de treino e a integração com o ecossistema Ultralytics fazem dele uma base prática para o teu próximo projeto de visão computacional.
Comentários2
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.
UltralyticsAssistantUltralytics
👋 Hello, thank you for starting this discussion and for your interest in Ultralytics 🚀! For more details on model comparisons and best practices, we recommend checking out the Docs where you’ll find further insights on different architectures, metrics, and use cases.
If this is a 🐛 Bug Report, please provide a minimum reproducible example to help us investigate.
If you have a custom training ❓ Question, please include all relevant information such as dataset examples, training logs, and verify you are following our Tips for Best Training Results.
Join our vibrant community! For real-time chat, visit Discord 🎧. For more in-depth discussions, check out Discourse, or join our Subreddit to connect with fellow users.
Upgrade
Please upgrade to the latest
ultralyticspackage and all requirements in a Python>=3.8 environment with PyTorch>=1.8 to ensure you’re using the most up-to-date features:pip install -U ultralyticsEnvironments
YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):
- Notebooks with free GPU:
- Google Cloud Deep Learning VM. See GCP Quickstart Guide
- Amazon Deep Learning AMI. See AWS Quickstart Guide
- Docker Image. See Docker Quickstart Guide
Status
If this badge is green, all Ultralytics CI tests are currently passing. CI tests verify correct operation of all YOLO Modes and Tasks on macOS, Windows, and Ubuntu every 24 hours and on every commit.
This is an automated response to help guide you. An Ultralytics engineer will also review your discussion and assist you soon! 😊
Glenn JocherUltralytics(editado)Welcome to the discussion about DAMO-YOLO vs. EfficientDet! This is a great place to ask questions or share your experiences with either model.
The comparison highlights how DAMO-YOLO generally achieves higher mAP with faster TensorRT speeds, while EfficientDet offers strong CPU performance and parameter efficiency. For most users seeking a balance of performance, ease of use and versatility, Ultralytics models like YOLO26 provide significant advantages with our well-maintained ecosystem.
If you have specific questions about implementation details, performance in certain scenarios, or need guidance choosing between these architectures for your specific use case, please drop them here. The Ultralytics team regularly monitors these discussions and is happy to provide insights.
- Notebooks with free GPU: