Сравнение DAMO-YOLO и EfficientDet#

Эволюция компьютерного зрения породила множество мощных архитектур, адаптированных для различных реальных задач. В то время как некоторые фреймворки отдают приоритет высокой масштабируемости, другие делают упор на скорость вывода в режиме реального времени. В этом техническом сравнении мы рассмотрим DAMO-YOLO и EfficientDet — две крайне влиятельные модели, демонстрирующие разные подходы к решению задачи обнаружения объектов. Мы разберем их архитектуры, сравним показатели бенчмарков и в конечном итоге выясним, почему недавно выпущенная Ultralytics YOLO26 представляет собой оптимальный выбор для современных производственных развертываний.

Обзор архитектуры#

Обе модели были разработаны для решения проблемы компромисса между эффективностью и точностью, но они опираются на принципиально разные механизмы для достижения своих целей.

DAMO-YOLO: скорость за счет нейроархитектурного поиска#

Разработанная для расширения границ обнаружения в реальном времени, DAMO-YOLO использует методы автоматизированного поиска для создания высокоэффективных сетей, адаптированных для сред с низкой задержкой.

Сведения о DAMO-YOLO:
Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang и Xiuyu Sun
Организация: Alibaba Group
Дата: 2022-11-23
Arxiv: https://arxiv.org/abs/2211.15444v2
GitHub: https://github.com/tinyvision/DAMO-YOLO

DAMO-YOLO построена на базе нейроархитектурного поиска (NAS), который оптимизирует как скорость, так и точность. Она представляет RepGFPN (перепараметризованную обобщенную пирамиду признаков), которая улучшает слияние признаков, сохраняя при этом высокую скорость вывода. Кроме того, дизайн ZeroHead минимизирует вычислительные затраты, обычно связанные с детекционными головами. Модель также выигрывает от AlignedOTA (назначение оптимального транспорта) и дистилляционного улучшения, гарантируя, что даже самые компактные варианты обучаются на богатых представлениях более крупных моделей.

Узнай больше о DAMO-YOLO

EfficientDet: масштабируемость за счет составного масштабирования#

В отличие от подхода, ориентированного на скорость, EfficientDet фокусируется на систематической масштабируемости при различных вычислительных бюджетах.

Сведения об EfficientDet:
Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
Организация: Google Brain
Дата: 2019-11-20
Arxiv: https://arxiv.org/abs/1911.09070
GitHub: https://github.com/google/automl/tree/master/efficientdet

EfficientDet представляет BiFPN (двунаправленную пирамидальную сеть признаков), которая позволяет легко и быстро выполнять многомасштабное слияние признаков. В отличие от традиционных методов, которые масштабируют архитектуры путем произвольного добавления слоев или каналов, EfficientDet использует метод составного масштабирования, который равномерно масштабирует разрешение, глубину и ширину бэкбона, сети признаков и сетей предсказания рамок/классов одновременно. Это позволяет достичь передовой точности на высокопроизводительном оборудовании, предлагая при этом меньшие варианты для ограниченных сред.

Узнай больше об EfficientDet

Сравнение производительности и метрик#

При прямом сравнении этих моделей становится очевидным компромисс между абсолютной точностью и скоростью инференса. В таблице ниже приведены ключевые метрики производительности, показывающие, как возможности инференса DAMO-YOLO соотносятся с семейством моделей EfficientDet.

Как видно выше, EfficientDet-d7 достигает наивысшей общей точности, что делает её подходящей для сложных облачных приложений. С другой стороны, серия DAMO-YOLO обеспечивает высокую конкурентоспособную точность со значительно меньшей задержкой на оборудовании GPU, что делает её более сильным кандидатом для развертывания на периферийных устройствах в реальном времени.

Сценарии использования и рекомендации#

Выбор между DAMO-YOLO и EfficientDet зависит от требований твоего конкретного проекта, ограничений развертывания и предпочтений в экосистеме.

Когда выбирать DAMO-YOLO#

DAMO-YOLO — сильный выбор для:

• Высокопроизводительной видеоаналитики: обработки видеопотоков с высоким FPS на фиксированной инфраструктуре NVIDIA GPU, где пропускная способность при batch-1 является основной метрикой.
• Промышленных производственных линий: сценариев с жесткими ограничениями по задержке GPU на специализированном оборудовании, таких как проверка качества в реальном времени на сборочных линиях.
• Исследований Neural Architecture Search: изучения влияния автоматизированного поиска архитектуры (MAE-NAS) и эффективных репараметризованных бэкендов на производительность детекции.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• Конвейеры Google Cloud и TPU: Системы с глубокой интеграцией в Google Cloud Vision API или инфраструктуру TPU, где EfficientDet имеет встроенную оптимизацию.
• Исследования составного масштабирования: Академическое тестирование, сфокусированное на изучении эффектов сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильное развертывание через TFLite: Проекты, которым специально требуется экспорт TensorFlow Lite для Android или встраиваемых устройств Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает наилучшее сочетание производительности и удобства для разработчика:

• Развертывания на периферии без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложности постобработки подавления немаксимумов.
• Среды только с CPU: устройств без выделенного GPU-ускорения, где до 43% более быстрый вывод на CPU у YOLO26 дает решающее преимущество.
• Обнаружение малых объектов: Сложные сценарии, такие как aerial drone imagery или анализ с помощью IoT-сенсоров, где ProgLoss и STAL значительно повышают точность для крошечных объектов.

Современная альтернатива: Ultralytics YOLO26#

Хотя и DAMO-YOLO, и EfficientDet представляют собой важные академические вехи, развертывание в реальных условиях часто требует более сбалансированного, богатого функциями и удобного для разработчиков подхода. Именно здесь Ultralytics YOLO26 задает новый отраслевой стандарт.

Выпущенная в январе 2026 года, YOLO26 развивает наследие своих предшественников, включая Ultralytics YOLO11 и YOLOv8, обеспечивая смену парадигмы в подходах к обнаружению объектов.

Непревзойденная производительность и универсальность#

YOLO26 не просто увеличивает скорость — она переопределяет стабильность обучения и точность. В ней представлен MuSGD Optimizer, гибрид SGD и Muon, вдохновленный инновациями в обучении LLM, что приводит к значительному ускорению сходимости и превосходной эффективности обучения. В отличие от тяжелых альтернатив на базе Transformer, таких как RT-DETR, YOLO26 сохраняет невероятно низкие требования к памяти, гарантируя возможность обучения на потребительском «железе».

Кроме того, YOLO26 включает ProgLoss + STAL, что существенно улучшает распознавание мелких объектов, имеющее решающее значение для таких сценариев использования, как аэросъемка с дронов и робототехника. Для оптимизации под маломощные устройства в YOLO26 удалили функцию потерь Distribution Focal Loss (DFL), что обеспечило увеличение скорости инференса на CPU до 43% по сравнению с предыдущими поколениями.

Экосистема и простота использования#

Одно из главных препятствий при работе с моделями вроде EfficientDet — это сложный процесс интеграции. В свою очередь, Ultralytics Platform предлагает хорошо поддерживаемую комплексную экосистему. Благодаря единому API пользователи могут легко переключаться между обнаружением, сегментацией экземпляров, оценкой поз, классификацией изображений и ориентированными ограничивающими прямоугольниками (OBB).

Вот насколько просто обучать и запускать вывод с YOLO26, используя пакет Ultralytics для Python:

from ultralytics import YOLO

# Load the state-of-the-art YOLO26 nano model
model = YOLO("yolo26n.pt")

# Train the model on your custom dataset with minimal memory footprint
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run ultra-fast NMS-free inference
predictions = model.predict("image.jpg")

Узнай больше о YOLO26

Заключение#

Хотя изучение сравнения DAMO-YOLO и EfficientDet дает отличное понимание компромиссов между поиском архитектуры нейросетей (NAS) и составным масштабированием, современным разработчикам требуются инструменты, которые сокращают разрыв между академическими исследованиями и реальным производством.

Для разработчиков, для которых в приоритете простота использования, активное сообщество с открытым исходным кодом и бескомпромиссный баланс скорости и точности, Ultralytics YOLO26 является окончательным выбором. Ее архитектура без NMS, низкие накладные расходы при обучении и бесшовная интеграция с комплексной экосистемой Ultralytics делают ее идеальным фреймворком для твоего следующего проекта по компьютерному зрению.