Начать

DAMO-YOLO и YOLOv8

Компьютерное зрение в реальном времени продолжает развиваться благодаря исследованиям скорости и точности. Два важных этапа этого развития — DAMO-YOLO и Ultralytics YOLOv8. Обе модели стремятся оптимизировать баланс между задержкой и средней точностью (mAP), но используют принципиально разные архитектурные подходы к обнаружению объектов.

В этом техническом сравнении рассматриваются архитектуры, методы обучения и практическое развертывание моделей, чтобы помочь тебе выбрать подходящий инструмент для следующего проекта в области ИИ.

Происхождение моделей и характеристики#

Понимание происхождения этих моделей глубокого обучения позволяет лучше разобраться в целях их разработки и экосистемах развёртывания.

Подробнее о DAMO-YOLO#

Узнай больше о DAMO-YOLO

Подробности об Ultralytics YOLOv8#

Архитектурные инновации#

Характеристики производительности обеих архитектур обусловлены их уникальными структурными решениями.

DAMO-YOLO активно использует поиск нейронной архитектуры (NAS) для автоматического подбора эффективных структур сети. В модели применяется MAE-NAS — метод поиска бэкбонов, обеспечивающих высокую производительность при низкой задержке. Для улучшения слияния признаков на разных пространственных масштабах также используется эффективная RepGFPN (обобщенная пирамидальная сеть признаков с перепараметризацией).

Команда Alibaba добавила для улучшения обучения архитектуру ZeroHead и назначение меток AlignedOTA. Также команда использует сложную дистилляцию знаний, в ходе которой тяжелая модель-учитель помогает легковесной модели-ученику повысить точность на академических тестах.

YOLOv8: простая и универсальная#

При разработке YOLOv8 Ultralytics поставила во главу угла потребности разработчиков. Модель перешла от анкерной архитектуры YOLOv5 к безанкерной, значительно сократив число предсказаний ограничивающих рамок и ускорив вывод. Внедрение модуля C2f (узкое место с частичным межэтапным соединением и 2 свёртками) улучшило поток градиентов и представление признаков без чрезмерного увеличения вычислительных затрат.

В отличие от моделей, ориентированных только на ограничивающие рамки, YOLOv8 изначально создавалась для решения множества задач. Единая кодовая база на PyTorch изначально поддерживает сегментацию экземпляров, классификацию изображений и оценку позы, поэтому инженерам не нужно собирать решение из отдельных репозиториев.

Эффективное обучение

Моделям Ultralytics при обучении требуется меньше памяти, чем тяжелым архитектурам на базе Transformer, поэтому они обеспечивают высокие результаты на стандартных потребительских GPU.

Сравнение производительности#

При сравнении фактических метрик важно анализировать, как теоретические возможности воплощаются в производительности на оборудовании. В таблице ниже показаны компромиссы для моделей разных размеров.

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
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8

DAMO-YOLO обеспечивает хорошее соотношение количества параметров и точности благодаря методам дистилляции, а YOLOv8 предлагает более широкий выбор размеров моделей — от Nano до Extra-large. YOLOv8n хорошо оптимизирована для периферийных устройств: она расходует меньше ресурсов, сохраняя приемлемую точность.

Экосистема и опыт разработчиков#

Главное отличие академических статей от готовых к производству систем — экосистема.

Из-за обширных конвейеров дистилляции знаний пользовательское обучение DAMO-YOLO может быть сложным. Создание модели-учителя, передача знаний и настройка бэкбонов на основе NAS требуют большого объема памяти CUDA и сложной конфигурации, что часто замедляет динамичные инженерные команды.

Экосистема Ultralytics, напротив, ориентирована на удобство использования. Через Ultralytics Platform разработчики получают доступ к простым API, подробной документации и надежным интеграциям для отслеживания экспериментов. Единый фреймворк на Python упрощает создание сложных конвейеров.

from ultralytics import YOLO

# Загрузка предварительно обученной облегчённой модели YOLOv8
model = YOLO("yolov8n.pt")

# Обучи модель на собственном наборе данных со встроенными аугментациями
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

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

Такой упрощенный рабочий процесс вместе с экспортом в OpenVINO и TensorRT обеспечивает плавный переход от локального прототипирования к развертыванию в облаке или на периферии.

Применение в реальном мире и подходящие сценарии использования#

Выбор между этими архитектурами часто зависит от эксплуатационных ограничений твоей среды.

Для каких задач подходит DAMO-YOLO#

DAMO-YOLO подходит для академических исследований поиска нейронной архитектуры и воспроизведения сложных стратегий перепараметризации. Модель также может хорошо работать в строго контролируемых промышленных приложениях, например при высокоскоростном обнаружении дефектов на производственных линиях, если у команды достаточно вычислительных ресурсов для многоэтапного обучения.

Почему Ultralytics лидирует в производственной среде#

Для большинства коммерческих проектов модели Ultralytics обеспечивают более сбалансированную производительность.

  • Умная розница: использование многозадачных возможностей YOLOv8 для обнаружения товаров по ограничивающим рамкам и оценки позы при анализе поведения покупателей.
  • Сельское хозяйство: применение сегментации экземпляров для точного определения границ растений и сорняков в видеопотоках с тракторов в реальном времени.
  • Аэрофотосъёмка: применение ориентированных ограничивающих рамок (OBB) для точного отслеживания повёрнутых автомобилей и судов по данным с дронов и спутников.
Другие примечательные модели

Если ты изучаешь более широкий спектр моделей, тебе может быть интересно сравнить также YOLOv10 или YOLO11, в которых безанкерное обнаружение получило дальнейшее развитие.

Запас на будущее: встречай YOLO26#

YOLOv8 остается базовой моделью, но область продолжает развиваться. Для всех новых проектов рекомендуется YOLO26. Выпущенная в январе 2026 года, она стала важным шагом вперед для линейки Ultralytics.

В YOLO26 предусмотрена встроенная сквозная архитектура без NMS (nms=False), которая при включении устраняет традиционное узкое место — подавление немаксимумов. В сочетании с удалением Distribution Focal Loss (DFL) эта архитектура обеспечивает YOLO26n инференс на CPU до 43% быстрее, чем у YOLO11n, поэтому модель хорошо подходит для периферийных вычислений и оборудования IoT.

В YOLO26 также появился оптимизатор MuSGD — гибридный оптимизатор, вдохновленный методами обучения больших языковых моделей (LLM), который ускоряет сходимость и обеспечивает стабильное обучение. В сочетании с новой стратегией ProgLoss + STAL YOLO26 лучше распознает небольшие объекты, позволяя создавать одновременно быстрые и точные решения.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.