Начать

DAMO-YOLO и EfficientDet

Исследования в области компьютерного зрения привели к появлению множества архитектур, адаптированных к разным требованиям реального мира. Одни фреймворки ориентированы на масштабируемость, другие — на скорость инференса в реальном времени. В этом сравнении рассматриваются DAMO-YOLO и EfficientDet — две влиятельные модели с разными подходами к обнаружению объектов. Мы изучим их архитектуры, сравним результаты на тестах и объясним, почему Ultralytics YOLO26 — хороший выбор для современных промышленных развертываний.

Обзор архитектур#

Обе модели созданы для поиска компромисса между эффективностью и точностью, но для достижения этих целей они используют принципиально разные механизмы.

DAMO-YOLO создана для расширения возможностей детекции в реальном времени. Модель использует автоматизированные методы поиска, чтобы создавать высокоэффективные сети, оптимизированные для сред с низкой задержкой.

Сведения о DAMO-YOLO:

В основе DAMO-YOLO лежит бэкбон с поиском нейронной архитектуры (NAS), оптимизированный и для скорости, и для точности. Модель представляет RepGFPN (обобщенную пирамидальную сеть признаков с репараметризацией), которая улучшает объединение признаков, сохраняя высокую скорость инференса. Кроме того, архитектура ZeroHead сводит к минимуму вычислительные затраты, обычно связанные с головами обнаружения. Модель также применяет назначение меток AlignedOTA (назначение с выравниванием оптимального транспорта) и дистилляцию знаний, поэтому даже самые компактные варианты усваивают богатые представления от более крупных моделей.

Узнай больше о DAMO-YOLO

EfficientDet: масштабирование с помощью комплексного масштабирования#

В отличие от подхода, в первую очередь ориентированного на скорость, EfficientDet фокусируется на систематическом масштабировании под разные вычислительные бюджеты.

Подробнее об EfficientDet:

EfficientDet использует BiFPN (двунаправленную пирамидальную сеть признаков), обеспечивающую быстрое объединение признаков на нескольких масштабах. В отличие от традиционных методов, которые произвольно увеличивают архитектуры, добавляя слои или каналы, EfficientDet использует составное масштабирование: одновременно и равномерно меняет разрешение, глубину и ширину бэкбона, сети признаков и сетей предсказания рамок и классов. Благодаря этому на момент выпуска модель достигала передовой точности на высокопроизводительном оборудовании и предлагала более компактные варианты для сред с ограниченными ресурсами.

Подробнее об EfficientDet

Сравнение производительности и метрик#

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

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
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
EfficientDet-d051234.6-3.923.92.54
EfficientDet-d164040.5-7.316.66.1
EfficientDet-d276843.0-10.928.111.0
EfficientDet-d389647.5-19.5912.024.9
EfficientDet-d4102449.7-33.5520.755.2
EfficientDet-d5128051.5-67.8633.7130.0
EfficientDet-d6128052.6-89.2951.9226.0
EfficientDet-d7153653.7-128.0751.9325.0

EfficientDet-d7 обеспечивает наивысшую общую точность и подходит для требовательных облачных приложений. Серия DAMO-YOLO предлагает сопоставимую точность при значительно меньшей задержке на GPU, поэтому лучше подходит для периферийных развертываний в реальном времени.

Сценарии использования и рекомендации#

Выбор между DAMO-YOLO и EfficientDet зависит от требований твоего проекта, ограничений развертывания и предпочтительной экосистемы.

Когда стоит выбрать DAMO-YOLO#

DAMO-YOLO — хороший выбор для:

  • Высокопроизводительная видеоаналитика: Обработка видеопотоков с высокой частотой кадров на фиксированной инфраструктуре NVIDIA GPU, где основной показатель — пропускная способность при размере пакета 1.
  • Промышленные производственные линии: Сценарии со строгими ограничениями по задержке GPU на выделенном оборудовании, например контроль качества в реальном времени на сборочных линиях.
  • Исследования в области поиска нейросетевых архитектур: Изучение влияния автоматизированного поиска архитектур (MAE-NAS) и эффективных перенастраиваемых базовых сетей на качество обнаружения.

Когда стоит выбрать EfficientDet#

EfficientDet подойдёт для следующих задач:

  • Конвейеры Google Cloud и TPU: системы на базе TensorFlow в инфраструктуре Google Cloud TPU, где эталонная реализация EfficientDet поддерживает обучение на TPU.
  • Исследования составного масштабирования: Академические исследования и сравнительное тестирование, посвящённые влиянию сбалансированного масштабирования глубины, ширины и разрешения сети.
  • Развертывание на мобильных устройствах через LiteRT: Проекты, для которых требуется экспорт в LiteRT (ранее TensorFlow Lite) для Android или встраиваемых устройств с Linux.

Когда выбирать Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает оптимальное сочетание производительности и удобства разработки:

  • Развертывание на периферийных устройствах без NMS: приложения, которым нужен стабильный инференс с низкой задержкой без сложной постобработки методом подавления немаксимумов (NMS).
  • Среды только с CPU: устройства без выделенного ускорителя GPU, на которых YOLO26n получает явное преимущество благодаря инференсу на CPU до 43% быстрее, чем у YOLO11n.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Современная альтернатива: Ultralytics YOLO26#

DAMO-YOLO и EfficientDet стали важными академическими достижениями, но для практического развертывания часто нужен более сбалансированный, функциональный и удобный для разработчиков подход. Именно для этого создана Ultralytics YOLO26.

Выпущенная в январе 2026 года, YOLO26 развивает достижения предшественников, включая Ultralytics YOLO11 и YOLOv8, и упрощает обучение и развертывание моделей обнаружения объектов.

Простота сквозной обработки

YOLO26 изначально поддерживает сквозную архитектуру без NMS (nms=False). Удаление подавления немаксимумов (NMS) из постобработки, давно остававшегося узким местом при развертывании детекторов объектов, упрощает и ускоряет конвейер развертывания YOLO26, особенно на периферийном оборудовании.

Производительность и универсальность#

YOLO26 повышает стабильность и точность обучения, а также его скорость. Модель использует оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный методами обучения LLM, — для более быстрой сходимости и эффективного обучения. В отличие от более тяжелых альтернатив на основе Transformer, таких как RT-DETR, YOLO26 требует мало памяти, поэтому ее можно обучать на обычном потребительском оборудовании.

В YOLO26 также реализованы ProgLoss + STAL, улучшающие распознавание мелких объектов в таких задачах, как аэрофотосъемка с дронов и робототехника. Для оптимизации работы на маломощных устройствах из YOLO26 удалили Distribution Focal Loss (DFL), благодаря чему инференс YOLO26n на CPU стал до 43% быстрее, чем у YOLO11n.

Экосистема и простота использования#

Одно из главных препятствий при работе с такими моделями, как EfficientDet, — сложная интеграция. Вместо этого платформа Ultralytics предлагает хорошо поддерживаемую сквозную экосистему. Благодаря унифицированному API можно легко переключаться между обнаружением объектов, сегментацией экземпляров, классификацией изображений, оценкой позы и повернутыми ограничивающими рамками (OBB).

Обучение YOLO26 и запуск инференса с пакетом Ultralytics Python занимают всего несколько строк кода:

from ultralytics import YOLO

# Загрузка компактной модели YOLO26
model = YOLO("yolo26n.pt")

# Обучаем модель на собственном наборе данных с минимальным потреблением памяти
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Запускаем сверхбыстрый инференс без NMS
predictions = model.predict("https://ultralytics.com/images/bus.jpg", nms=False)

Заключение#

Сравнение DAMO-YOLO и EfficientDet показывает компромисс между поиском нейронной архитектуры и составным масштабированием, но для промышленной работы также требуются инструменты, помогающие перейти от академических исследований к развертыванию.

Разработчикам, для которых важны простота использования, активное сообщество открытого исходного кода и хороший баланс скорости и точности, рекомендуется Ultralytics YOLO26. Архитектура без NMS, низкие затраты ресурсов на обучение и интеграция с экосистемой Ultralytics делают ее практичной основой для твоего следующего проекта компьютерного зрения.

Участники

Комментарии2

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. UltralyticsAssistantGitHubUltralytics

    👋 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 ultralytics package 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 ultralytics

    Environments

    YOLO runs in the following up-to-date verified environments (all dependencies including CUDA/CUDNN, Python, and PyTorch preinstalled):

    Status

    Ultralytics CI

    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! 😊

    1. Glenn JocherUltralytics(изменено)

      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.