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.
- Авторы: Сяньчжэ Сюй, Ици Цзян, Вэйхуа Чэнь, Илуне Хуан, Юань Чжан и Сюйюй Сунь
- Организация: Alibaba Group
- Дата: 2022-11-23
- arXiv: DAMO-YOLO: отчёт о разработке детектора объектов реального времени
- GitHub: tinyvision/DAMO-YOLO
- Документация: README DAMO-YOLO
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.
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.
- Авторы: авторы PaddlePaddle
- Организация: Baidu
- Дата: 2022-04-02
- arXiv: PP-YOLOE: улучшенная версия YOLO
- GitHub: PaddlePaddle/PaddleDetection
- Документация: Конфигурации PP-YOLOE+
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.
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).
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.
| Модель | размер (пиксели) | mAPval50-95 | Скорость CPU ONNX (мс) | Скорость T4 TensorRT10 (мс) | параметры (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| PP-YOLOE+t | 640 | 39.9 | - | 2.84 | 4.85 | 19.15 |
| PP-YOLOE+s | 640 | 43.7 | - | 2.62 | 7.93 | 17.36 |
| PP-YOLOE+m | 640 | 49.8 | - | 5.56 | 23.43 | 49.91 |
| PP-YOLOE+l | 640 | 52.9 | - | 8.36 | 52.2 | 110.07 |
| PP-YOLOE+x | 640 | 54.7 | - | 14.3 | 98.42 | 206.59 |
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.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.