PP-YOLOE+ против DAMO-YOLO: Всестороннее техническое сравнение

Непрерывное развитие компьютерного зрения привело к появлению множества высокоспециализированных архитектур для обнаружения объектов в реальном времени. При оценке моделей для промышленных и исследовательских применений часто обсуждаются две выдающиеся платформы 2022 года: PP-YOLOE+ от Baidu и DAMO-YOLO от Alibaba Group. Обе модели расширили границы безанкерного detect за счет внедрения новых базовых сетей, передовых стратегий присвоения меток и специализированных методов слияния признаков.

Это руководство предоставляет подробный технический анализ PP-YOLOE+ и DAMO-YOLO, исследуя их архитектуры, методологии обучения и сильные стороны развертывания. Мы также рассмотрим, как эти фреймворки сравниваются с современными решениями, такими как Ultralytics YOLO26, чтобы помочь вам выбрать подходящий инструмент для ваших конкретных ограничений развертывания.

PP-YOLOE+: Усовершенствованное промышленное detect объектов

Разработанный в экосистеме Baidu, PP-YOLOE+ является итеративным улучшением по сравнению с оригинальным PP-YOLOE, сильно оптимизированным для фреймворка глубокого обучения PaddlePaddle. Он был разработан для максимизации точности и скорости инференции на серверном оборудовании, что делает его сильным кандидатом для промышленной инспекции и приложений умной розничной торговли.

Архитектурные инновации

PP-YOLOE+ представляет несколько архитектурных улучшений для совершенствования предыдущих безанкерных детекторов:

Бэкбон CSPRepResNet: Этот бэкбон использует архитектуру в стиле RepVGG в сочетании с соединениями Cross Stage Partial (CSP), обеспечивая хороший баланс между возможностью извлечения признаков и задержкой инференции.
Task Alignment Learning (TAL): PP-YOLOE+ использует передовую динамическую стратегию присвоения меток, которая выравнивает задачи классификации и регрессии во время обучения, сокращая разрыв между производительностью обучения и вывода.
Эффективная задача-ориентированная голова (ET-head): Оптимизированная голова обнаружения, разработанная для быстрой обработки признаков без ущерба для пространственного разрешения, что крайне выгодно для поддержания высоких метрик mAP.

Детали PP-YOLOE+:

Авторы: PaddlePaddle Authors
Организация: Baidu
Дата: 2022-04-02
Arxiv: 2203.16250
GitHub: PaddlePaddle/PaddleDetection
Документация: Документация PP-YOLOE+

Узнайте больше о PP-YOLOE+

DAMO-YOLO: Поиск нейроархитектуры на периферии

Разработанный Alibaba DAMO Academy, DAMO-YOLO использует совершенно иной подход. Вместо ручного проектирования магистральной сети исследовательская группа использовала поиск нейронной архитектуры (NAS) для обнаружения высокоэффективных сетевых топологий, адаптированных для строгих ограничений по задержке.

Основные особенности и конвейер обучения

DAMO-YOLO делает акцент на низкой задержке и высокой точности благодаря автоматизированной методологии с интенсивным использованием дистилляции:

Бэкбоны MAE-NAS: Используя метод автоматизации эффективного поиска нейронной архитектуры, DAMO-YOLO конструирует бэкбоны, оптимизированные специально для компромисса между параметрами и точностью.
Эффективная RepGFPN: Репараметризованная обобщенная пирамида признаков обеспечивает надежное многомасштабное слияние признаков, что помогает модели detect объекты значительно различающихся размеров в одном кадре.
Дизайн ZeroHead: Значительно упрощенная голова детектора, которая кардинально сокращает вычислительные затраты на этапе инференса.
Улучшение дистилляции: Для повышения производительности меньших вариантов DAMO-YOLO в значительной степени полагается на сложный процесс дистилляции знаний, где более крупная модель-учитель направляет модель-ученика.

Подробности DAMO-YOLO:

Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang и Xiuyu Sun
Организация: Alibaba Group
Дата: 23.11.2022
Arxiv: 2211.15444v2
GitHub: tinyvision/DAMO-YOLO
Документация: Документация DAMO-YOLO

Узнайте больше о DAMO-YOLO

Привязка к фреймворку

Хотя PP-YOLOE+ и DAMO-YOLO предлагают надежные теоретические инновации, они тесно связаны со своими соответствующими фреймворками (PaddlePaddle и специфическими средами Alibaba). Это может создавать трудности при попытке портировать эти модели в стандартизированные облачные или граничные развертывания.

Анализ производительности

При оценке этих моделей компромисс между задержкой, вычислительной сложностью (FLOPs) и средней точностью (mAP) определяет идеальную среду их развертывания.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
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

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

DAMO-YOLO обычно достигает более низких задержек TensorRT на нано- и мини-масштабах, что делает его весьма конкурентоспособным для высокопроизводительных видеопотоков. Однако PP-YOLOE+ невероятно хорошо масштабируется до своего сверхбольшого (x) вариант, достигающий высочайшей точности для сложных изображений, где время инференса является второстепенным фактором.

Преимущество Ultralytics: Прогресс за пределами архитектур 2022 года

Хотя PP-YOLOE+ и DAMO-YOLO представляли собой значительные вехи, современная разработка требует большей универсальности, более простых конвейеров обучения и меньших требований к памяти. Платформа Ultralytics удовлетворяет эти потребности, предлагая беспроблемный опыт, который значительно превосходит сложные процессы дистилляции и специфические для фреймворка настройки, требуемые старыми моделями.

Для разработчиков, стремящихся достичь наилучшего баланса производительности сегодня, Ultralytics YOLO26 обеспечивает революционный скачок в эффективности развертывания в реальных условиях.

Почему YOLO26 лидирует в отрасли

Выпущенный в начале 2026 года, YOLO26 опирается на наследие YOLO11, представляя прорывные технологии, адаптированные для производства:

Сквозная архитектура без NMS: YOLO26 устраняет постобработку с использованием немаксимального подавления (NMS). Это приводит к упрощению логики развертывания и стабильным, высокопредсказуемым задержкам инференса.
Оптимизатор MuSGD: Вдохновленный методами обучения больших языковых моделей, YOLO26 использует гибридный оптимизатор MuSGD. Это обеспечивает невероятно стабильное обучение и быструю сходимость, экономя ценные часы GPU.
Превосходный вывод на CPU: Благодаря удалению Distribution Focal Loss (DFL) и оптимизации графа сети, YOLO26 обеспечивает до 43% более быстрый вывод на CPU, что делает его лучшим выбором для периферийных устройств ИИ.
ProgLoss + STAL: Эти продвинутые функции потерь обеспечивают выдающиеся улучшения в распознавании мелких объектов, что критически важно для операций с дронами и дистанционного зондирования.
Непревзойденная универсальность: В отличие от PP-YOLOE+, который строго ориентирован на detect, YOLO26 нативно поддерживает оценку позы, сегментацию экземпляров, классификацию изображений и ориентированные ограничивающие рамки (OBB) без проблем.

Простота использования и эффективность обучения

Обучение модели DAMO-YOLO требует управления сложным конвейером дистилляции по схеме "учитель-ученик". В отличие от этого, обучение модели Ultralytics требует всего нескольких строк Python-кода, с минимальным использованием памяти CUDA по сравнению с конкурирующими архитектурами.

from ultralytics import YOLO

# Initialize the cutting-edge YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model with native MuSGD optimization
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run an end-to-end NMS-free inference
results = model("https://ultralytics.com/images/bus.jpg")

# Export to ONNX or TensorRT seamlessly
model.export(format="onnx")

Узнайте больше о YOLO26

Идеальные варианты использования и рекомендации

Выбор оптимальной архитектуры компьютерного зрения сильно зависит от интеграции экосистемы вашей команды и целей развертывания.

Выберите PP-YOLOE+, если весь ваш конвейер глубоко интегрирован в экосистему Baidu PaddlePaddle. Это отличный выбор для анализа статических изображений на мощных серверах, где основной целью является максимизация точности.
Выберите DAMO-YOLO, если вы проводите специализированные исследования алгоритмов поиска нейронной архитектуры, или если у вас есть инженерные ресурсы для поддержки сложных конвейеров дистилляции для достижения амбициозных целевых показателей задержки TensorRT.
Выберите Ultralytics YOLO26 для большинства современных производственных сценариев. Экосистема Ultralytics предоставляет непревзойденную документацию, сниженные требования к памяти и упрощенный API. Независимо от того, создаете ли вы системы автоматизированного контроля качества или выполняете отслеживание в реальном времени на Raspberry Pi, архитектура YOLO26 без NMS обеспечивает быстрые, стабильные и высокоточные результаты "из коробки".

Для разработчиков, изучающих другие передовые решения, документация Ultralytics также предоставляет обширные ресурсы по широко используемым YOLOv8 и надежным YOLO11, гарантируя, что у вас будет подходящая модель для любой задачи компьютерного зрения.