DAMO-YOLO и EfficientDet#

Эволюция компьютерного зрения привела к появлению множества мощных архитектур, адаптированных под различные задачи реального мира. Одни фреймворки ориентированы на масштабирование до огромных объёмов, другие уделяют основное внимание скорости вывода в реальном времени. В этом техническом сравнении мы рассмотрим DAMO-YOLO и EfficientDet — две влиятельные модели, демонстрирующие разные подходы к решению задачи обнаружения объектов. Мы разберём их архитектуры, сравним результаты бенчмарков и в итоге выясним, почему недавно выпущенная Ultralytics YOLO26 представляет собой оптимальный выбор для современных производственных развёртываний.

Обзор архитектур#

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

DAMO-YOLO: скорость благодаря поиску нейронной архитектуры#

DAMO-YOLO разработан для расширения возможностей обнаружения объектов в реальном времени и использует автоматизированные методы поиска для создания высокоэффективных сетей, адаптированных к средам 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

В основе DAMO-YOLO лежит магистральная сеть, созданная с помощью поиска нейронной архитектуры (NAS), которая оптимизирует одновременно скорость и точность. В ней используется RepGFPN (репараметризованная обобщённая пирамидальная сеть признаков), улучшающая слияние признаков при сохранении высокой скорости вывода. Кроме того, конструкция ZeroHead снижает вычислительные затраты, обычно связанные с головами обнаружения. Модель также использует AlignedOTA (сопоставление с выравниванием на основе оптимального транспорта) и улучшение дистилляции, благодаря чему даже самые компактные варианты обучаются богатым представлениям на основе более крупных моделей.

Узнай больше о DAMO-YOLO

EfficientDet: масштабируемость благодаря составному масштабированию#

В отличие от подхода, ориентированного прежде всего на скорость, EfficientDet фокусируется на систематическом масштабировании под различные вычислительные бюджеты.

Сведения об EfficientDet:

• Авторы: Mingxing Tan, Ruoming Pang и Quoc V. Le
• Организация: Google Brain
• Дата: 20.11.2019
• Arxiv: https://arxiv.org/abs/1911.09070
• GitHub: https://github.com/google/automl/tree/master/efficientdet

EfficientDet представляет BiFPN (двунаправленную пирамидальную сеть признаков), обеспечивающую простое и быстрое слияние признаков разных масштабов. В отличие от традиционных методов, которые увеличивают архитектуры за счёт произвольного добавления слоёв или каналов, EfficientDet использует метод составного масштабирования, одновременно равномерно изменяя разрешение, глубину и ширину магистральной сети, сети признаков и сетей предсказания рамок и классов. Благодаря этому модель достигает передовой точности на высокопроизводительном оборудовании и при этом предлагает компактные варианты для сред с ограниченными ресурсами.

Узнай больше об EfficientDet

Сравнение производительности и метрик#

При непосредственном сравнении этих моделей становится очевидным компромисс между максимальной точностью и скоростью вывода. В таблице ниже представлены основные показатели производительности, позволяющие сравнить возможности DAMO-YOLO по выводу с семейством моделей EfficientDet.

Как видно выше, EfficientDet-d7 обеспечивает наивысшую общую точность, поэтому подходит для требовательных облачных приложений. В свою очередь, серия DAMO-YOLO обеспечивает сопоставимую точность при значительно меньшей задержке на GPU, что делает её более сильным кандидатом для развёртывания на периферийных устройствах в реальном времени.

Варианты применения и рекомендации#

Выбор между DAMO-YOLO и EfficientDet зависит от конкретных требований твоего проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда стоит выбрать DAMO-YOLO#

DAMO-YOLO — хороший выбор для:

• Высокопроизводительная видеоаналитика: Обработка видеопотоков с высоким FPS на фиксированной инфраструктуре NVIDIA GPU, где пропускная способность при размере пакета 1 является основной метрикой.
• Промышленные производственные линии: Сценарии со строгими ограничениями по задержке GPU на выделенном оборудовании, например контроль качества в реальном времени на сборочных линиях.
• Исследования поиска нейронных архитектур: Изучение влияния автоматизированного поиска архитектур (MAE-NAS) и эффективных репараметризованных базовых сетей на производительность обнаружения.

Когда стоит выбрать EfficientDet#

EfficientDet рекомендуется для:

• Конвейеров Google Cloud и TPU: систем, тесно интегрированных с Google Cloud Vision API или инфраструктурой TPU, где EfficientDet имеет нативную оптимизацию.
• Исследований составного масштабирования: академических бенчмарков, посвящённых изучению влияния сбалансированного масштабирования глубины, ширины и разрешения сети.
• Мобильного развертывания через TFLite: проектов, которым необходим экспорт в TensorFlow Lite для Android или встраиваемых устройств под управлением Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

• Развертывания на периферийных устройствах без NMS: приложений, требующих стабильного вывода с низкой задержкой без сложной постобработки с подавлением немаксимумов.
• Сред без GPU: устройств без выделенного ускорения GPU, где до 43% более быстрый вывод YOLO26 на CPU дает решающее преимущество.
• Обнаружения мелких объектов: сложных сценариев, таких как аэрофотосъемка с дронов или анализ данных IoT-сенсоров, где ProgLoss и STAL значительно повышают точность обнаружения крошечных объектов.

Современная альтернатива: Ultralytics YOLO26#

Хотя DAMO-YOLO и EfficientDet представляют собой важные академические достижения, для развёртывания в реальных условиях часто требуется более сбалансированный, функциональный и удобный для разработчиков подход. Именно здесь Ultralytics YOLO26 задаёт новый отраслевой стандарт.

Выпущенная в январе 2026 года, YOLO26 развивает наследие предшественников, включая Ultralytics YOLO11 и YOLOv8, кардинально меняя подход к обнаружению объектов.

Непревзойдённая производительность и универсальность#

YOLO26 не просто повышает скорость — она переосмысливает стабильность обучения и точность. В модели представлен оптимизатор MuSGD — гибрид SGD и Muon, вдохновлённый инновациями в обучении LLM, который обеспечивает значительно более быструю сходимость и высокую эффективность обучения. В отличие от тяжёлых альтернатив на основе Transformer, таких как RT-DETR, YOLO26 сохраняет чрезвычайно низкие требования к памяти, поэтому её можно обучать на оборудовании потребительского класса.

Кроме того, YOLO26 включает ProgLoss + STAL, значительно улучшая распознавание небольших объектов, что важно для таких задач, как аэрофотосъёмка с дронов и робототехника. Для оптимизации работы на устройствах с низким энергопотреблением в YOLO26 удалена Distribution Focal Loss (DFL), что обеспечивает до 43% более быстрый вывод на CPU по сравнению с предыдущими поколениями.

Экосистема и простота использования#

Одно из главных препятствий при работе с такими моделями, как EfficientDet, — сложный процесс интеграции. В отличие от этого, Ultralytics Platform предлагает хорошо поддерживаемую сквозную экосистему. Благодаря унифицированному API ты можешь легко переключаться между обнаружением объектов, сегментацией экземпляров, оценкой позы, классификацией изображений и ориентированными ограничивающими рамками (OBB).

Ниже показано, насколько просто обучить YOLO26 и выполнить вывод с её помощью, 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")

Заключение#

Изучение материала DAMO-YOLO и EfficientDet даёт ценное представление о компромиссах между поиском нейронной архитектуры и составным масштабированием, однако современным разработчикам нужны инструменты, которые устраняют разрыв между академическими исследованиями и реалиями промышленной эксплуатации.

Для разработчиков, которые ставят на первое место простоту использования, активное сообщество с открытым исходным кодом и сбалансированное сочетание скорости и точности без компромиссов, Ultralytics YOLO26 — очевидный выбор. Её архитектура без NMS, низкие накладные расходы на обучение и бесшовная интеграция с комплексной экосистемой Ultralytics делают её оптимальным фреймворком для твоего следующего проекта в области компьютерного зрения.