Começar

YOLOv7 vs DAMO-YOLO

A detecção de objetos em tempo real continua evoluindo à medida que pesquisadores e engenheiros buscam o melhor equilíbrio entre velocidade e precisão. Esta comparação técnica analisa duas arquiteturas de destaque de 2022: YOLOv7 e DAMO-YOLO. Ambos os modelos introduziram novos conceitos na comunidade de visão computacional, abordando diferentes desafios no treinamento de modelos, no projeto arquitetônico e na implantação.

Contexto e detalhes técnicos dos modelos#

Ambos os modelos foram desenvolvidos por grupos de pesquisa de destaque e introduziram novos métodos para melhorar a detecção de objetos em tempo real.

Detalhes do YOLOv7#

Desenvolvido como continuação da família YOLO, o YOLOv7 introduziu o conceito de «bag-of-freebies» treinável para melhorar significativamente a precisão sem aumentar o custo de inferência.

Saiba mais sobre o YOLOv7

Detalhes do DAMO-YOLO#

Desenvolvido por pesquisadores do Alibaba Group, DAMO-YOLO concentrou-se bastante em Neural Architecture Search (NAS) e destilação de conhecimento para criar modelos eficientes para diferentes tipos de hardware.

Saiba mais sobre DAMO-YOLO

Inovações arquiteturais#

YOLOv7: análise do percurso do gradiente e reparametrização#

YOLOv7 dá grande ênfase às redes Extended Efficient Layer Aggregation (E-ELAN). Os autores projetaram E-ELAN analisando os caminhos do gradiente da rede para garantir que a rede possa aprender continuamente sem degradar o caminho do gradiente original. Além disso, YOLOv7 usa reparametrização do modelo durante a inferência, fundindo camadas para reduzir os FLOPs e acelerar a execução. Isso o torna altamente eficiente para inferência em tempo real em GPUs modernas.

DAMO-YOLO: pesquisa de arquiteturas neurais e RepGFPN#

O DAMO-YOLO distingue-se por recorrer amplamente à pesquisa de arquiteturas neurais (NAS) sujeita a restrições de latência. Utiliza uma estrutura chamada MAE-NAS para descobrir backbones ideais, adaptados a hardware específico, como dispositivos móveis ou aceleradores de periferia específicos. Para o neck, introduz uma RepGFPN (rede de pirâmide de características generalizada reparametrizada) eficiente e utiliza uma conceção ZeroHead para minimizar a carga computacional nas cabeças de predição.

Diferenças na destilação

Enquanto o YOLOv7 se baseia em otimizações arquiteturais intrínsecas robustas, o DAMO-YOLO depende fortemente de um processo complexo de destilação de conhecimento em várias etapas. É necessário treinar um modelo professor grande para destilar conhecimento para um modelo aluno mais pequeno, o que pode ser computacionalmente dispendioso durante a fase de treino.

Comparação de desempenho e métricas#

Ao comparar estes modelos, é essencial analisar o mAP (precisão média), a velocidade de inferência e a complexidade do modelo.

Modelotamanho
(pixels)
mAPval50-95Velocidade
CPU ONNX
(ms)
Velocidade
T4 TensorRT10
(ms)
parâmetros
(M)
FLOPs
(B)
YOLOv7l64051.4-6.8436.9104.7
YOLOv7x64053.1-11.5771.3189.9
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

A tabela acima demonstra que o YOLOv7 escala bem para domínios de alta precisão (YOLOv7x), enquanto o DAMO-YOLO oferece modelos minúsculos altamente otimizados para ambientes com recursos limitados.

Eficiência de treinamento e requisitos de memória#

Uma diferença importante entre as duas arquiteturas está nas metodologias de treino. A dependência do DAMO-YOLO da destilação significa que treinar um novo modelo de raiz ou ajustá-lo a um conjunto de dados personalizado de visão computacional exige frequentemente muito mais memória VRAM e tempo de computação em GPU.

Em contrapartida, os modelos com suporte nativo no ecossistema Ultralytics, como YOLOv8 e versões posteriores, são otimizados para usar pouca memória durante o treinamento. Eles permitem que os desenvolvedores usem tamanhos de lote maiores em hardware de consumo sem encontrar erros de falta de memória, simplificando o processo de acompanhamento de experimentos e iteração.

A vantagem da Ultralytics#

Embora YOLOv7 e DAMO-YOLO ofereçam recursos atraentes, implantar modelos no ecossistema Ultralytics proporciona uma experiência de desenvolvimento mais simples.

  • Facilidade de utilização: O pacote Python da Ultralytics oferece uma API unificada e simples. Podes alternar rapidamente entre arquiteturas de modelos, iniciar ciclos de treino ou executar inferência com poucas linhas de código.
  • Ecossistema bem mantido: A Ultralytics disponibiliza atualizações frequentes, garantindo compatibilidade nativa com as versões mais recentes do PyTorch e com os controladores CUDA. Também simplifica a exportação de modelos para formatos como ONNX, TensorRT e OpenVINO.
  • Versatilidade: Ao contrário de DAMO-YOLO, que é exclusivamente um detector de objetos, o ecossistema Ultralytics oferece suporte nativo a diversas tarefas. Os modelos da família Ultralytics podem realizar detecção padrão de caixas delimitadoras, segmentação de instâncias, classificação de imagens, estimativa de pose e caixas delimitadoras orientadas (OBB); YOLO26 também adiciona segmentação semântica e estimativa de profundidade.

Exemplo de código: primeiros passos rápidos#

Veja como carregar, treinar e executar inferência com os modelos Ultralytics:

from ultralytics import YOLO

# Carrega um modelo YOLO26 pré-treinado (o Ultralytics não suporta pesos nativos do YOLOv7)
model = YOLO("yolo26n.pt")

# Treina o modelo no conjunto de dados COCO8 com gestão automatizada dos hiperparâmetros
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Executa a inferência numa imagem
predictions = model("https://ultralytics.com/images/bus.jpg")

# Exporta para o formato ONNX para implantação
model.export(format="onnx")
Exportação de modelos

Com a Ultralytics, a exportação dos pesos treinados para vários formatos acelerados por hardware, como TensorRT ou CoreML, é feita com um único argumento no comando de exportação, sem scripts de conversão separados.

A próxima geração: YOLO26#

Embora YOLOv7 continue sendo uma arquitetura legada sólida, a área avançou rapidamente. Para novas implantações, Ultralytics YOLO26 (lançado em janeiro de 2026) é a opção recomendada, com melhorias em relação às gerações anteriores tanto na precisão quanto na velocidade na CPU.

  • Design de ponta a ponta sem NMS: Com base no treinamento sem NMS que o YOLOv10 introduziu nos modelos YOLO, a cabeça opcional um-para-um do YOLO26 (nms=False) ignora o pós-processamento de supressão não máxima (NMS). Isso reduz a variação da latência e simplifica a implantação em sistemas robóticos e autônomos.
  • Otimizador MuSGD: Inspirado em técnicas avançadas de treinamento de LLM, como o Kimi K2 da Moonshot AI, este otimizador híbrido combina SGD e Muon para obter um treinamento mais estável e uma convergência mais rápida.
  • Inferência na CPU até 43% mais rápida: Ao remover a Distribution Focal Loss (DFL), YOLO26 simplifica a exportação e acelera a inferência em dispositivos de borda e CPUs; YOLO26n funciona até 43% mais rápido na CPU que YOLO11n.
  • ProgLoss + STAL: Uma função de perda progressiva e uma estratégia de atribuição de rótulos com foco em alvos pequenos melhoram a detecção de objetos pequenos, tornando YOLO26 uma opção adequada para imagens aéreas e vigilância detalhada.

Casos de utilização ideais#

Quando escolher DAMO-YOLO#

  • Investigação académica em NAS: Se a tua organização estiver fortemente dedicada ao estudo de metodologias de pesquisa de arquiteturas neurais.
  • Latência extremamente restrita em hardware específico: Se tiveres recursos para executar pesquisas NAS exaustivas e encontrar um backbone adaptado a um chip acelerador de IA personalizado.

Quando escolher o YOLOv7#

  • Pipelines de GPU existentes: Para equipas que mantêm pipelines de produção legados, profundamente otimizados em torno da arquitetura E-ELAN específica do YOLOv7 em hardware NVIDIA de alto desempenho.

Porquê migrar para os modelos Ultralytics modernos (YOLO11 / YOLO26)#

Para a grande maioria das aplicações empresariais — de análise de varejo e manufatura inteligente à área da saúde —, os modelos modernos da Ultralytics são a opção prática padrão. A integração com a Ultralytics Platform oferece um pipeline completo de ML, com uma API simples, documentação abrangente, uma comunidade ativa e suporte a várias tarefas. Seja para rastrear o inventário num Raspberry Pi ou executar análises complexas na nuvem, modelos como YOLO26 oferecem um bom equilíbrio entre velocidade e precisão.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.