DAMO-YOLO против PP-YOLOE+#

В условиях высокой конкуренции в сфере компьютерного зрения в реальном времени выбор оптимальной архитектуры для твоих конкретных задач развертывания имеет решающее значение. Это руководство содержит подробное техническое сравнение DAMO-YOLO и PP-YOLOE+, глубоко погружаясь в их архитектурные решения, методы обучения и показатели производительности. Мы также рассмотрим, как эти модели соотносятся с передовыми решениями, такими как недавно выпущенная Ultralytics YOLO26.

Обзор моделей#

Оба фреймворка появились в 2022 году как мощные альтернативы для промышленных приложений, использующие сложные методы для расширения границ точности и скорости вывода.

DAMO-YOLO#

Разработанная Alibaba Group, модель DAMO-YOLO представила несколько новых методов для оптимизации баланса между задержкой и точностью, уделяя особое внимание методам автоматизированного поиска и продвинутому слиянию признаков.

• Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang и Xiuyu Sun
• Организация: Alibaba Group
• Дата: 2022-11-23
• Arxiv: DAMO-YOLO: A Report on Real-Time Object Detection Design
• GitHub: tinyvision/DAMO-YOLO
• Docs: DAMO-YOLO README

DAMO-YOLO использует поиск по многомасштабной архитектуре (MAE-NAS) для автоматического проектирования бэкендов, оптимизированных для эффективности оборудования. Он также оснащен эффективной RepGFPN (перепараметризованной обобщенной пирамидой признаков) для слияния признаков в шее и легкой архитектурой «ZeroHead». Кроме того, он сильно полагается на методы дистилляции во время обучения для повышения репрезентативной мощности модели-студента.

Узнай больше о DAMO-YOLO

PP-YOLOE+#

Созданная командой PaddlePaddle из Baidu, модель PP-YOLOE+ представляет собой инкрементальное обновление архитектуры PP-YOLOE. Она фокусируется на крупномасштабном предварительном обучении и уточненных функциях потерь для достижения высокого показателя mAP, особенно в рамках своей родной экосистемы глубокого обучения.

• Авторы: Авторы PaddlePaddle
• Организация: Baidu
• Дата: 02.04.2022
• Arxiv: PP-YOLOE: An evolved version of YOLO
• GitHub: PaddlePaddle/PaddleDetection
• Docs: PP-YOLOE+ Configs

PP-YOLOE+ использует бэкенд CSPRepResNet и ET-head (эффективную голову с учетом задач). Версия «plus» вводит мощную стратегию предварительного обучения на наборе данных Objects365, что значительно расширяет ее способность к обобщению в различных реальных условиях.

Узнай больше о PP-YOLOE+

Архитектурное сравнение#

Различия в философии проектирования между этими двумя моделями сильно влияют на их идеальные сценарии использования и аппаратную совместимость.

Слияние признаков и бэкенды#

Бэкбоны DAMO-YOLO, созданные с помощью MAE-NAS, отлично оптимизированы под периферийные устройства и часто обеспечивают выгодное соотношение скорости и количества параметров. Тем не менее, эти кастомные архитектуры могут быть жесткими и сложными для адаптации под новые задачи, такие как сегментация экземпляров. Горловина RepGFPN улучшает многомасштабное слияние признаков, но добавляет сложности на этапе экспорта с репараметризацией.

PP-YOLOE+ опирается на более традиционный, но высокоэффективный CSPRepResNet. Хотя этот бэкенд требует большего количества параметров, чем DAMO-YOLO, для достижения аналогичной точности, он очень стабилен в обучении и легче интегрируется в существующие пайплайны. Его ET-head эффективно обрабатывает классификацию и регрессию, но все еще требует шагов постобработки, таких как немаксимальное подавление (NMS).

Устранение задержек постобработки

И DAMO-YOLO, и PP-YOLOE+ требуют NMS для постобработки ограничивающих рамок (bounding boxes). Если задержка инференса критически важна, рассмотри использование Ultralytics YOLO26, которая отличается нативным дизайном End-to-End без NMS. Этот прорывной подход исключает постобработку NMS для более быстрого и простого развертывания конвейера.

Анализ производительности и метрик#

При оценке этих моделей для производства баланс между точностью (mAP), скоростью вывода и размером параметров критичен. Ниже представлено прямое сравнение их основных вариантов.

Как показывает таблица, DAMO-YOLO обычно достигает меньшей задержки на малых (s) и крошечных (t) масштабах благодаря своим NAS-оптимизированным бэкендам. Однако PP-YOLOE+ невероятно хорошо масштабируется до средних (m) и больших (l) уровней, демонстрируя значительно более высокие показатели mAP, хотя и ценой небольшой задержки скорости T4 TensorRT.

Требования к памяти и эффективность обучения#

Зависимость DAMO-YOLO от дистилляции означает, что тебе часто нужно обучать гораздо большую модель-учитель перед обучением меньшей модели-ученика. Это резко увеличивает требования к памяти CUDA и общий вычислительный бюджет. PP-YOLOE+ упрощает эту задачу благодаря стандартному одноэтапному обучению, но остается тесно связанным с фреймворком PaddlePaddle, что может ограничивать гибкость для команд, привыкших к PyTorch.

Напротив, современная модель Ultralytics YOLO26 решает эти проблемы. Используя новый оптимизатор MuSGD — гибрид SGD и Muon, вдохновленный инновациями в обучении LLM, YOLO26 достигает более быстрой сходимости и высокостабильного обучения без необходимости создания запутанных конвейеров дистилляции. Кроме того, модели YOLO обычно требуют гораздо меньше памяти CUDA во время обучения по сравнению с детекторами на базе трансформеров, такими как RT-DETR.

Реальные применения и идеальные сценарии использования#

Когда использовать DAMO-YOLO#

DAMO-YOLO идеальна для периферийного инференса с высокой пропускной способностью, где задержка является главным узким местом. Ее уменьшенные варианты отлично показывают себя в таких средах, как системы управления дорожным движением или базовое наблюдение с помощью дронов, если твоя инженерная команда обладает ресурсами для управления ее сложными процессами дистилляции и репараметризации.

Когда использовать PP-YOLOE+#

PP-YOLOE+ блистает, когда ты уже глубоко погружен в экосистему Baidu или запускаешь крупномасштабные серверные развертывания. Ее впечатляющий mAP делает ее подходящей для сложного анализа медицинских изображений или плотного обнаружения дефектов на производстве.

Преимущество Ultralytics#

Хотя и DAMO-YOLO, и PP-YOLOE+ предлагают определенные локальные преимущества, разработчики, ищущие максимальную универсальность, скорость и простоту использования, неизменно выбирают платформу Ultralytics.

При обновлении твоего пайплайна компьютерного зрения Ultralytics YOLO26 обеспечивает непревзойденный опыт разработки:

• До 43% более быстрый вывод на CPU: Благодаря полному удалению Distribution Focal Loss (DFL), YOLO26 работает удивительно быстро на периферийных CPU и энергоэффективных IoT-устройствах.
• Улучшенное обнаружение мелких объектов: Интеграция функций потерь ProgLoss и STAL обеспечивает драматические улучшения в распознавании мелких объектов, что жизненно важно для аэроснимков.
• Широкая универсальность: В отличие от PP-YOLOE+, которая фокусируется исключительно на детекции, YOLO26 легко справляется с оценкой позы, ориентированными ограничивающими рамками (OBB) и семантической сегментацией благодаря архитектурным улучшениям под конкретные задачи.

Заключение#

DAMO-YOLO и PP-YOLOE+ представляют собой важные вехи в развитии детекции объектов без использования анкоров. DAMO-YOLO раздвинул границы поиска нейронных архитектур для задержки на граничных устройствах, в то время как PP-YOLOE+ продемонстрировал мощь крупномасштабного предварительного обучения.

Тем не менее, для разработчиков, ищущих наилучший баланс скорости, точности и простоты развертывания, модель Ultralytics YOLO26 является безусловным выбором. Ее архитектура без NMS, надежный API Python и бесшовная интеграция с такими инструментами, как Weights & Biases и TensorRT, гарантируют плавной переход твоих проектов от прототипа к продакшену.

Готов начать? Изучи руководство по быстрому старту Ultralytics или сравни другие модели в нашем обзоре YOLO11 vs DAMO-YOLO.