DAMO-YOLO против YOLO26: Техническое сравнение детекторов объектов в реальном времени

Эволюция обнаружения объектов в реальном времени сопровождалась быстрыми достижениями, обусловленными потребностью в моделях, которые балансируют скорость, точность и эффективность развертывания. В этой статье представлено всестороннее техническое сравнение между DAMO-YOLO, разработанной Alibaba Group, и YOLO26, последней итерацией от Ultralytics. Мы проанализируем их архитектуры, метрики производительности и идеальные сценарии использования, чтобы помочь разработчикам и исследователям выбрать правильный инструмент для своих проектов в области компьютерного зрения.

Обзор DAMO-YOLO

DAMO-YOLO — это быстрый и точный метод обнаружения объектов, представленный в конце 2022 года исследователями из Alibaba Group. Он был разработан для расширения пределов производительности путем интеграции нескольких передовых технологий в фреймворк YOLO. Основная философия DAMO-YOLO заключается в использовании нейронного поиска архитектуры (NAS) для автоматического обнаружения эффективных базовых сетей в сочетании с мощным блоком повторной параметризации.

Ключевые архитектурные особенности включают:

Базовая сеть MAE-NAS: Использование подхода маскированного автокодировщика (MAE) для поиска оптимальных структур базовой сети при различных ограничениях задержки.
Эффективная RepGFPN: Обобщенная пирамидальная сеть признаков (GFPN), значительно оптимизированная с помощью повторной параметризации для повышения эффективности слияния признаков без ущерба для скорости во время инференса.
ZeroHead: Легковесная конструкция головы, которая снижает вычислительные затраты.
AlignedOTA: Улучшенная стратегия присвоения меток, которая решает проблемы несоответствия между задачами классификации и регрессии.
Улучшение дистилляции: Используется надежный конвейер дистилляции для повышения точности меньших моделей с использованием более крупных моделей-учителей.

Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, and Xiuyu Sun
Организация:Alibaba Group
Дата: 23 ноября 2022 г.
Ссылки:Arxiv, GitHub

Узнайте больше о DAMO-YOLO

Обзор YOLO26

Выпущенная в январе 2026 года компанией Ultralytics, YOLO26 представляет собой значительный шаг вперед в области компьютерного зрения, оптимизированного для периферийных устройств. Разработанная специально для периферийных и маломощных устройств, она сосредоточена на оптимизации конвейера развертывания при одновременном повышении точности в сложных задачах, таких как обнаружение мелких объектов.

YOLO26 отличается несколькими крупными инновациями:

Сквозная архитектура без NMS: Устраняя необходимость в постобработке Non-Maximum Suppression (NMS), YOLO26 упрощает логику развертывания и снижает изменчивость задержки — концепция, впервые примененная в YOLOv10.
Удаление DFL: Удаление Distribution Focal Loss (DFL) упрощает выходную структуру модели, делая экспорт в форматы, такие как ONNX и TensorRT, более простым и совместимым с более широким спектром оборудования.
Оптимизатор MuSGD: Новый гибридный оптимизатор, сочетающий SGD и Muon, вдохновленный методами обучения LLM из Kimi K2 от Moonshot AI. Это приводит к более стабильной динамике обучения и более быстрой сходимости.
ProgLoss + STAL: Сочетание прогрессивного балансирования потерь (Progressive Loss Balancing) и присвоения меток с учетом мелких целей (Small-Target-Aware Label Assignment, STAL) значительно повышает производительность на мелких объектах, устраняя распространенную слабость детекторов реального времени.

Авторы: Glenn Jocher and Jing Qiu
Организация:Ultralytics
Дата: 14 января 2026 г.
Ссылки:Документация Ultralytics, GitHub

Узнайте больше о YOLO26

Сравнительный анализ

Архитектура и философия проектирования

Наиболее заметное различие заключается в конвейере инференса. DAMO-YOLO следует традиционному рабочему процессу детектора, который требует NMS для фильтрации перекрывающихся ограничивающих рамок. Хотя NMS эффективен, он может стать узким местом в высокопроизводительных приложениях и усложнить развертывание на некоторых ускорителях.

В отличие от этого, YOLO26 изначально является сквозной моделью. Модель напрямую предсказывает окончательный набор ограничивающих рамок. Эта безалгоритимная NMS-архитектура не только снижает задержку инференса — особенно на периферийных устройствах, ограниченных CPU, где NMS является дорогостоящей операцией — но и упрощает код интеграции, необходимый для запуска модели в производственных средах.

Простота развертывания

Безалгоритимная NMS-архитектура YOLO26 означает, что вам не нужно реализовывать сложную логику постобработки на C++ или CUDA при развертывании на периферийных устройствах. Выходные данные модели являются окончательным результатом обнаружения.

Методологии обучения

DAMO-YOLO в значительной степени полагается на дистилляцию знаний для достижения высокой производительности, особенно для своих меньших вариантов. Это добавляет сложности в конвейер обучения, поскольку сначала должна быть обучена мощная модель-учитель.

YOLO26 представляет оптимизатор MuSGD, преодолевая разрыв между оптимизацией больших языковых моделей (LLM) и компьютерным зрением. Это позволяет YOLO26 достигать современной сходимости без обязательной опоры на сложные схемы дистилляции, хотя режимы обучения Ultralytics поддерживают различные расширенные конфигурации. Кроме того, ProgLoss в YOLO26 динамически регулирует веса потерь во время обучения для стабилизации процесса обучения.

Метрики производительности

При сравнении производительности на наборе данных COCO обе модели показывают впечатляющие результаты, но выявляются явные компромиссы в отношении скорости и эффективности.

Модель	размер ^{(пиксели)}	mAP^val 50-95	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

YOLO26n	640	40.9	38.9	1.7	2.4	5.4
YOLO26s	640	48.6	87.2	2.5	9.5	20.7
YOLO26m	640	53.1	220.0	4.7	20.4	68.2
YOLO26l	640	55.0	286.2	6.2	24.8	86.4
YOLO26x	640	57.5	525.8	11.8	55.7	193.9

Анализ:

Эффективность параметров: YOLO26 демонстрирует значительно лучшую эффективность по параметрам. Например, YOLO26s достигает 48.6 mAP всего с 9.5 млн параметров, тогда как DAMO-YOLOs достигает 46.0 mAP с 16.3 млн параметров. Это делает модели YOLO26 более легкими для хранения и быстрыми для загрузки.
Скорость инференса: YOLO26n чрезвычайно быстр, достигая 1.7 мс на GPU T4 с TensorRT, по сравнению с примерно 2.32 мс для варианта Tiny DAMO. Скорость на CPU YOLO26 также является важным преимуществом, оптимизированным специально для таких устройств, как Raspberry Pi или мобильные телефоны, где GPU недоступны.
Точность: При аналогичных масштабах (например, Medium/Large) YOLO26 стабильно превосходит DAMO-YOLO по mAP, вероятно, благодаря продвинутой стратегии назначения STAL и усовершенствованной архитектуре.

Универсальность и поддержка задач

В то время как DAMO-YOLO в основном ориентирован на обнаружение объектов, экосистема Ultralytics гарантирует, что YOLO26 является многозадачной мощной системой.

DAMO-YOLO: Специализируется на обнаружении объектов.
YOLO26: Поддерживает обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB) из коробки.

Эта универсальность позволяет разработчикам использовать единый унифицированный API для решения различных задач компьютерного зрения, снижая кривую обучения и технический долг.

Простота использования и экосистема

Одним из самых сильных преимуществ YOLO26 является окружающая экосистема Ultralytics.

DAMO-YOLO предоставляет кодовую базу, которую исследователи могут использовать для воспроизведения результатов, но ей может не хватать обширной документации, поддержки и сообщества, присущих более продуктоориентированным библиотекам.

YOLO26 выигрывает от:

Простой API: Единый Python и интерфейс CLI (yolo predict ...) что делает обучение и развертывание доступными как для новичков, так и для экспертов.
Документация: Обширные руководства по всему, от обучения на пользовательских наборах данных до экспорта моделей для iOS и Android.
Интеграции: Бесшовная интеграция с такими инструментами, как Comet, Weights & Biases и Roboflow для MLOps.
Поддержка: Частые обновления, устраняющие ошибки и добавляющие новые функции, обеспечивают актуальность модели.

Пример кода: Запуск YOLO26

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

Случаи использования

Когда выбирать DAMO-YOLO

Применение в исследованиях: Если ваша работа включает изучение поиска нейронных архитектур (NAS) или исследование новых методов репараметризации, DAMO-YOLO предоставляет богатую основу для академических исследований.
Специфические унаследованные ограничения: Если существующий конвейер строго построен вокруг определенного формата вывода или стратегий назначения якорей DAMO-YOLO, и рефакторинг нецелесообразен.

Когда стоит выбрать YOLO26

Развертывание на периферии: Для приложений на Raspberry Pi, мобильных устройствах или встраиваемых системах, где скорость инференса на CPU и низкое потребление памяти критически важны.
Системы реального времени: Отсутствие NMS делает YOLO26 идеальным решением для приложений с требованиями к сверхнизкой задержке в робототехнике или автономном вождении.
Многозадачные проекты: Если ваш проект требует одновременного detect объектов, segment масок и оценки поз, YOLO26 охватывает все аспекты в рамках одной платформы.
Коммерческая разработка: Стабильность, поддержка и простота экспорта в такие форматы, как CoreML и OpenVINO, делают его превосходным выбором для производственного программного обеспечения.

Заключение

Обе модели представляют собой значительные достижения в области компьютерного зрения. DAMO-YOLO представила впечатляющие концепции в области NAS и эффективного слияния признаков. Однако YOLO26 совершенствует передовые решения, уделяя особое внимание практичности развертывания, стабильности обучения и вычислительной эффективности. Благодаря своей сквозной архитектуре без NMS, превосходной эффективности параметров и поддержке надежной экосистемы Ultralytics, YOLO26 выделяется как рекомендуемый выбор для современных приложений компьютерного зрения реального времени.

Для тех, кто заинтересован в изучении других вариантов в семействе Ultralytics, такие модели, как YOLO11 и YOLOv8, остаются мощными альтернативами для задач detect общего назначения.