Начать

DAMO-YOLO и PP-YOLOE+

Выбор правильной архитектуры для развертывания — ключевое решение в компьютерном зрении реального времени. В этом руководстве технически сравниваются DAMO-YOLO и PP-YOLOE+: их архитектуры, методы обучения и метрики производительности. Также рассматривается, как обе модели соотносятся с Ultralytics YOLO26, выпущенной в январе 2026 года.

Обзор моделей#

Обе платформы появились в 2022 году как альтернативы для промышленного применения и используют разные методы повышения точности и скорости инференса.

DAMO-YOLO#

DAMO-YOLO, разработанная Alibaba Group, представила несколько новых методов оптимизации компромисса между задержкой и точностью, активно используя автоматизированный поиск и продвинутое объединение признаков.

DAMO-YOLO применяет поиск нейронной архитектуры с максимальной энтропией (MAE-NAS) для автоматического проектирования бэкбонов, оптимизированных для эффективной работы на оборудовании. В модели также используются эффективная RepGFPN (репараметризованная обобщенная пирамидальная сеть признаков) для слияния признаков в шее и легкая архитектура «ZeroHead». Кроме того, во время обучения применяется дистилляция знаний, повышающая выразительность модели-ученика.

Узнай больше о DAMO-YOLO

PP-YOLOE+#

PP-YOLOE+, созданная командой PaddlePaddle из Baidu, — это промежуточное обновление архитектуры PP-YOLOE. Модель ориентирована на предварительное обучение на крупных наборах данных и усовершенствованные функции потерь, обеспечивая высокую mAP, особенно в родном фреймворке глубокого обучения.

PP-YOLOE+ использует бэкбон CSPRepResNet и ET-head (эффективную головку, согласованную с задачей). Версия «plus» дополнительно обучается на наборе данных Objects365, что повышает способность модели обобщать данные из разнообразных реальных сред.

Узнай больше о PP-YOLOE+

Сравнение архитектур#

Различия в принципах проектирования этих двух моделей определяют наиболее подходящие сценарии их применения и совместимость с оборудованием.

Объединение признаков и магистральные сети#

Бэкбоны DAMO-YOLO, сгенерированные MAE-NAS, рассчитаны на периферийные устройства и часто обеспечивают выгодное соотношение скорости и числа параметров. Однако эти специализированные архитектуры могут быть негибкими и сложными для адаптации к новым задачам, например сегментации экземпляров. Шея RepGFPN улучшает слияние многомасштабных признаков, но усложняет экспорт на этапе репараметризации.

PP-YOLOE+ использует более традиционный, но эффективный CSPRepResNet. При сопоставимой точности этот бэкбон требует больше параметров, чем DAMO-YOLO, зато он стабилен при обучении и проще интегрируется в существующие конвейеры. ET-head эффективно выполняет классификацию и регрессию, но все равно требует таких этапов постобработки, как подавление немаксимумов (NMS).

Устранение задержек постобработки

Для постобработки ограничивающих рамок и DAMO-YOLO, и PP-YOLOE+ используют NMS. Если для тебя критична задержка инференса, рассмотри Ultralytics YOLO26 с нативной сквозной архитектурой без NMS, реализованной с помощью дополнительной однок одовой головки (nms=False). Такой подход исключает постобработку NMS и упрощает конвейер развертывания, ускоряя его.

Анализ производительности и показателей#

При выборе модели для промышленного использования критически важно учитывать баланс точности (mAP), скорости инференса и числа параметров. Ниже приведено прямое сравнение основных вариантов этих моделей.

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
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

Как показано в таблице, DAMO-YOLO обеспечивает более высокую точность в крошечном (t) и малом (s) классах, а DAMO-YOLOt демонстрирует самую низкую среди представленных моделей задержку TensorRT на T4 благодаря бэкбонам, оптимизированным с помощью NAS. Однако PP-YOLOE+ хорошо масштабируется до среднего (m) и крупного (l) классов и достигает более высоких показателей mAP за счет небольшого снижения скорости TensorRT на T4.

Требования к памяти и эффективность обучения#

Из-за дистилляции в DAMO-YOLO часто приходится сначала обучать гораздо более крупную модель-учителя, а затем — компактную модель-ученика. Это значительно увеличивает требования к памяти CUDA и общий бюджет вычислений. PP-YOLOE+ упрощает процесс благодаря стандартному одноэтапному обучению, но при этом тесно привязана к фреймворку PaddlePaddle, что может ограничить возможности команд, привыкших к PyTorch.

Современная модель Ultralytics YOLO26 избавлена от этих узких мест. Благодаря новому оптимизатору MuSGD — гибриду SGD и Muon, вдохновленному обучением LLM, — YOLO26 быстрее сходится и стабильно обучается без сложных конвейеров дистилляции. Кроме того, для моделей YOLO обычно требуется намного меньше памяти CUDA при обучении, чем для детекторов на основе Transformer, например RT-DETR.

Применение в реальном мире и подходящие сценарии использования#

Когда использовать DAMO-YOLO#

DAMO-YOLO подходит для высокопроизводительного инференса на периферийных устройствах, где главным узким местом является задержка. Его компактные варианты отлично работают в таких средах, как системы управления дорожным движением или системы базового наблюдения с дронов, если у твоей инженерной команды достаточно ресурсов для управления сложными процессами дистилляции и репараметризации.

Когда стоит выбрать PP-YOLOE+#

PP-YOLOE+ хорошо подходит, если ты уже работаешь в экосистеме Baidu или запускаешь крупномасштабные серверные развертывания. Высокий mAP делает эту модель подходящей для сложного анализа медицинских изображений или выявления многочисленных дефектов на производстве.

Преимущества Ultralytics#

DAMO-YOLO и PP-YOLOE+ обладают своими преимуществами, но разработчики, которым нужны универсальность, скорость и простота использования, могут обучать и развертывать модели на платформе Ultralytics.

При обновлении конвейера компьютерного зрения Ultralytics YOLO26 обеспечивает более удобную работу разработчика:

  • Инференс на CPU до 43% быстрее: Благодаря полному удалению Distribution Focal Loss (DFL) YOLO26n работает на CPU до 43% быстрее, чем YOLO11n, и подходит для периферийных CPU и маломощных устройств IoT.
  • Улучшенное обнаружение мелких объектов: Функция потерь ProgLoss и назначение меток STAL улучшают распознавание мелких объектов, что крайне важно для аэрофотоснимков.
  • Широкая универсальность: В отличие от PP-YOLOE+, ориентированной исключительно на обнаружение объектов, YOLO26 также выполняет оценку позы, обрабатывает повернутые ограничивающие рамки (OBB) и семантическую сегментацию благодаря архитектурным улучшениям для конкретных задач.

Заключение#

DAMO-YOLO и PP-YOLOE+ стали важными этапами развития детекции объектов без якорей. DAMO-YOLO расширила возможности поиска нейросетевой архитектуры для снижения задержки на периферийных устройствах, а PP-YOLOE+ продемонстрировала эффективность предварительного обучения на крупных наборах данных.

Однако разработчикам, которым нужен оптимальный баланс скорости, точности и простоты развертывания, рекомендуется модель Ultralytics YOLO26. Ее архитектура без NMS, надежный Python API и интеграция с такими инструментами, как Weights & Biases и TensorRT, помогают плавно переводить проекты от прототипа к промышленной эксплуатации.

Готов начать? Изучи краткое руководство Ultralytics или сравни другие модели в обзоре YOLO11 и DAMO-YOLO.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.