Начать

DAMO-YOLO и YOLO11

При выборе архитектуры обнаружения объектов в реальном времени для следующего проекта в области компьютерного зрения полезно понимать, чем отличаются ведущие модели. В этом руководстве технически сравниваются DAMO-YOLO и Ultralytics YOLO11: рассматриваются их архитектуры, метрики производительности, методы обучения и наиболее подходящие сценарии развертывания.

Сведения о DAMO-YOLO:

Сведения о YOLO11:

Философия проектирования архитектуры#

Архитектура модели обнаружения объектов определяет скорость инференса, точность и адаптивность модели в различных аппаратных средах.

DAMO-YOLO предлагает несколько академических инноваций и активно использует поиск нейронной архитектуры (NAS) для автоматического проектирования бэкбона. Для улучшения слияния признаков модель использует эффективную RepGFPN (обобщенную пирамидальную сеть признаков с перепараметризацией), а архитектура ZeroHead значительно уменьшает тяжелую голову предсказаний, применявшуюся в предыдущих архитектурах. Такой подход на основе NAS позволяет DAMO-YOLO добиться определенной эффективности на отдельных GPU, но получившимся архитектурам может не хватать гибкости для работы на разнообразных периферийных устройствах.

В отличие от нее, YOLO11 опирается на многолетние фундаментальные исследования и предлагает оптимизированную архитектуру, разработанную вручную. В ней используются упрощенный бэкбон и эффективная шея, сокращающая избыточные вычисления. Одно из главных преимуществ YOLO11 — оптимизированное использование параметров: модель эффективно представляет признаки без высоких требований к VRAM, типичных для моделей на базе Transformer, таких как RT-DETR. Благодаря этому YOLO11 универсальна и стабильно работает на потребительских GPU, мобильных устройствах и специализированных периферийных ускорителях.

Производительность и метрики#

При оценке производительности важно смотреть не только на итоговую точность, но и учитывать баланс между скоростью, размером модели и вычислительной нагрузкой (FLOPs).

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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

Как показывает таблица, YOLO11 обеспечивает удачный баланс производительности. Например, вариант YOLO11s превосходит DAMO-YOLOs по точности и при этом содержит значительно меньше параметров. Такое снижение требований к памяти напрямую уменьшает затраты на развертывание и повышает отзывчивость на периферийных устройствах.

Методики обучения и удобство использования#

Разработчики проводят значительную часть времени в конвейере обучения, поэтому эффективность обучения имеет большое значение.

DAMO-YOLO использует многоэтапный процесс обучения, который во многом зависит от дистилляции знаний. Для назначения меток применяется AlignedOTA (назначение методом оптимального транспорта), а для передачи знаний меньшим моделям-«ученикам» часто требуется обучить более крупную модель-«учителя». Этот метод существенно увеличивает объем используемой памяти CUDA и общее время вычислений, необходимое для сходимости.

Экосистема Ultralytics, напротив, избавляет от сложностей обучения моделей. YOLO11 проста в использовании: в ней есть упрощенный Python API и полноценный CLI, которые позволяют инженерам запускать обучение на пользовательских наборах данных одной командой. Конвейер обучения эффективно расходует ресурсы и сводит к минимуму скачки потребления памяти, поэтому даже крупные модели можно обучать на стандартном оборудовании.

Упрощённое обучение с Ultralytics

Для обучения модели Ultralytics не нужен шаблонный код. Встроенные конвейеры загрузки данных, аугментации и вычисления функции потерь работают сразу после установки.

Вот краткий пример обучения и экспорта модели Ultralytics:

from ultralytics import YOLO

# Загрузи предварительно обученную малую модель YOLO11
model = YOLO("yolo11s.pt")

# Обучи модель на пользовательском датасете
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# Экспортируй обученную модель в ONNX для развёртывания
model.export(format="onnx")

Подробнее о YOLO11

Применение в реальных условиях и универсальность#

Выбор между этими архитектурами часто зависит от разнообразия задач, которые должна решать среда развертывания.

Для каких задач подходит DAMO-YOLO#

DAMO-YOLO — это исключительно фреймворк для обнаружения объектов. Он хорошо подходит для академических исследований, в которых команды изучают перепараметризацию или воспроизводят конкретные эксперименты по поиску нейронной архитектуры. Его также можно развернуть в жестко ограниченных промышленных средах, где конкретный GPU-ускоритель соответствует бэкбону, сгенерированному с помощью NAS.

Преимущества Ultralytics#

Модели Ultralytics, включая YOLO11, широко применяются в коммерческих проектах благодаря своей универсальности и хорошо поддерживаемой экосистеме. В отличие от DAMO-YOLO, фреймворк Ultralytics изначально поддерживает множество задач. Единая кодовая база справляется со всем: от сегментации экземпляров в медицинской визуализации до оценки позы для биомеханического анализа в спорте.

Сферы, в которых применяют YOLO11:

  • Умное сельское хозяйство: обнаружение объектов для мониторинга состояния посевов и автоматизации уборочной техники.
  • Аналитика в розничной торговле: внедрение умного видеонаблюдения для анализа потока покупателей и автоматизации управления запасами.
  • Логистика и цепочки поставок: скоростное обнаружение штрихкодов и посылок на быстро движущихся конвейерных лентах с помощью ориентированных ограничивающих рамок (OBB).

Сценарии использования и рекомендации#

Выбор между DAMO-YOLO и YOLO11 зависит от требований конкретного проекта, ограничений среды развертывания и предпочтений в отношении 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 выбирать YOLO11#

YOLO11 рекомендуется для:

  • Промышленное развертывание на периферийных устройствах: коммерческие приложения на устройствах вроде Raspberry Pi или NVIDIA Jetson, где особенно важны надёжность и активная поддержка.
  • Мультитасковые приложения компьютерного зрения: проекты, которым в рамках единого фреймворка нужны обнаружение объектов, сегментация, оценка позы и OBB.
  • Быстрое прототипирование и развертывание: команды, которым нужно быстро пройти путь от сбора данных до промышленной эксплуатации с помощью удобного Python API Ultralytics.

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 GPU-ускорителя, где инференс YOLO26 (YOLO26n по сравнению с YOLO11n) до 43% быстрее, что дает явное преимущество.
  • Обнаружение небольших объектов: Сложные сценарии, например съёмка с дронов или анализ данных IoT-датчиков, где ProgLoss и STAL заметно повышают точность обнаружения крошечных объектов.

Следующее поколение: знакомься с YOLO26#

YOLO11 остается мощным и надежным решением, но область компьютерного зрения быстро развивается. Разработчикам, начинающим новые проекты, рекомендуется в первую очередь рассмотреть новейшую модель YOLO26.

Выпущенная в январе 2026 года YOLO26 предлагает несколько усовершенствований:

  • Сквозная архитектура без NMS: благодаря опциональной голове one-to-one (nms=False) YOLO26 пропускает постобработку с подавлением немаксимумов, обеспечивая более быстрый и предсказуемый инференс и упрощая конвейеры развертывания.
  • Инференс на CPU до 43% быстрее: после удаления Distribution Focal Loss (DFL) модель YOLO26n работает на CPU до 43% быстрее YOLO11n и хорошо подходит для периферийных устройств и устройств с низким энергопотреблением, в которых нет выделенных GPU.
  • Оптимизатор MuSGD: этот гибридный оптимизатор переносит в компьютерное зрение методы обучения больших языковых моделей (LLM), вдохновленные Moonshot AI, и обеспечивает стабильную и быструю сходимость при обучении.
  • Продвинутые методы обучения: благодаря ProgLoss + STAL YOLO26 лучше распознает небольшие объекты, что особенно важно для аэрофотосъемки и робототехники.

Заключение#

DAMO-YOLO и YOLO11 внесли значительный вклад в развитие быстрого и точного компьютерного зрения. DAMO-YOLO предлагает интересные академические идеи в области поиска архитектур и дистилляции, а Ultralytics YOLO11 (и более новая YOLO26) обеспечивает более удобный опыт разработки.

Благодаря низким требованиям к памяти, подробной документации, поддержке множества задач и интеграции с Ultralytics Platform модели Ultralytics остаются главным выбором исследователей и корпоративных инженеров, создающих надежные и масштабируемые ИИ-решения. Тем, кто изучает другие передовые архитектуры, сравнение YOLO26 и RT-DETR поможет лучше понять альтернативы на базе Transformer.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.