Начать

YOLO11 и DAMO-YOLO

Выбор правильной архитектуры — критически важный этап любого проекта в области компьютерного зрения. В этом руководстве сравниваются две модели обнаружения объектов — Ultralytics YOLO11 и DAMO-YOLO, рассматриваются их архитектуры, процессы обучения и применимость в реальных условиях, чтобы ты мог выбрать подходящий инструмент для своего развертывания.

Обзор моделей#

Ultralytics YOLO11#

Разработанная Ultralytics, YOLO11 совершенствует семейство YOLO, обеспечивая и точность, и эффективность. Она создана для исследователей и инженеров, которым нужна единая готовая к промышленному применению экосистема — от управления наборами данных до развертывания на периферийных устройствах.

Главное преимущество YOLO11 — универсальность. В то время как многие модели работают только с ограничивающими рамками, YOLO11 из коробки поддерживает обнаружение объектов, сегментацию экземпляров, классификацию изображений, оценку позы и обнаружение ориентированных ограничивающих рамок (OBB). Это позволяет разработчикам объединить конвейеры компьютерного зрения в рамках одного хорошо поддерживаемого фреймворка.

DAMO-YOLO#

DAMO-YOLO разработана исследователями Alibaba Group. Для поиска эффективных backbone, подходящих для инференса в реальном времени на GPU и других ускорителях, используется поиск нейронной архитектуры (NAS).

Узнай больше о DAMO-YOLO

В основе DAMO-YOLO лежат перепараметризация и автоматизированный поиск. Используя MAE-NAS (Maximum Entropy Neural Architecture Search), авторы создали специальный backbone, ускоряющий инференс на специализированном оборудовании. В модель также добавлены оптимизированный neck Efficient RepGFPN и лёгкая голова ZeroHead для минимизации задержки.

Другие модели, которые стоит рассмотреть

Сравнивая YOLO11 и DAMO-YOLO, обрати внимание и на более новую Ultralytics YOLO26. Она поддерживает опциональный сквозной инференс без NMS (nms=False), а YOLO26n работает на CPU до 43% быстрее, чем YOLO11n. Также можно посмотреть сравнения YOLOX и DAMO-YOLO и YOLOv8 и DAMO-YOLO.

Сравнение производительности и архитектуры#

При развертывании приложений периферийного ИИ важно учитывать компромиссы между характеристиками. В таблице ниже приведены среднее значение точности (mAP), задержка и размер моделей на наборе данных COCO. При сопоставимых размерах YOLO11 точнее и быстрее на GPU T4: YOLO11s достигает 47.0 mAP за 2.5 мс против 46.0 mAP за 3.45 мс у DAMO-YOLOs, а YOLO11l достигает 53.4 mAP за 6.2 мс против 50.8 mAP за 7.18 мс у DAMO-YOLOl. DAMO-YOLOt (42.0 mAP, 8.5M параметров) по размеру и точности занимает промежуточное положение между YOLO11n и YOLO11s.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
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
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

Подробный разбор архитектуры#

YOLO11 использует специально разработанный backbone, который обеспечивает баланс между количеством параметров и выразительной способностью. Модель хорошо работает на разных типах оборудования и потребляет мало памяти CUDA как во время обучения, так и при инференсе. Это делает её хорошим вариантом для потребительского оборудования и IoT-устройств с ограниченными ресурсами.

Backbone MAE-NAS в DAMO-YOLO оптимизированы для GPU-сред с высокой пропускной способностью. Efficient RepGFPN (обобщённая пирамида признаков) объединяет признаки разных масштабов. Перепараметризация ускоряет инференс, но может усложнить развертывание, если стек оборудования плохо поддерживает эти операции.

Удобство использования и эффективность обучения#

Когда сроки разработки важны, простота использования модели не менее важна, чем её результаты в тестах.

YOLO11 создана с расчётом на доступность для разработчиков. Пакет ultralytics обрабатывает разбор наборов данных, аугментацию и настройку гиперпараметров, а экспорт в производственные форматы, например ONNX, TensorRT и OpenVINO, выполняется одной командой.

from ultralytics import YOLO

# Инициализируй модель детекции объектов YOLO11
model = YOLO("yolo11s.pt")

# Обучи модель на COCO8 со смешанной точностью
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Экспортируй обученную модель в TensorRT для развёртывания на периферийном устройстве
model.export(format="engine", device=0)

DAMO-YOLO разработана в исследовательской среде и сложнее в освоении. Заявленная точность модели достигается благодаря конвейеру дистилляции знаний: сначала обучается более крупная сеть-«учитель», затем её знания передаются меньшей сети-«ученику». По сравнению со стандартным циклом обучения Ultralytics это требует больше вычислений на GPU и времени на обучение.

Сценарии использования и рекомендации#

Выбор между YOLO11 и DAMO-YOLO зависит от конкретных требований проекта, ограничений развёртывания и предпочтений в отношении экосистемы.

Когда выбирать YOLO11#

YOLO11 — отличный выбор для следующих задач:

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

Когда стоит выбрать DAMO-YOLO#

DAMO-YOLO рекомендуется для следующих задач:

  • 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 Ultralytics (YOLO26)#

Для большинства новых проектов Ultralytics YOLO26 предлагает лучшее сочетание производительности и удобства для разработчиков:

  • 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 ускорения GPU, где инференс YOLO26 на CPU — до 43% быстрее (YOLO26n против YOLO11n), что даёт решающее преимущество.
  • Обнаружение небольших объектов: сложные сценарии, например аэрофотосъемка с дронов или анализ данных датчиков IoT, где ProgLoss и STAL повышают точность обнаружения небольших объектов.

Примеры применения в реальных условиях#

Автономные системы и дроны#

Для аэрофотосъёмки и развертывания на БПЛА YOLO11 обеспечивает выгодный баланс скорости и точности. Обнаружение мелких объектов — серьёзная задача при анализе данных с дронов, а многомасштабное объединение признаков YOLO11 помогает обрабатывать объекты разных размеров. Низкие требования к памяти позволяют запускать варианты YOLO11 Nano и Small непосредственно на лёгких периферийных CPU или NPU, установленных на дроне.

Промышленная автоматизация и контроль качества#

На умных фабриках критически важна задержка. DAMO-YOLO обеспечивает быстрый инференс на серверных GPU, но её специализированную архитектуру может быть сложнее интегрировать. Для автоматизированного контроля качества часто практичнее выбрать YOLO11 благодаря простому API отслеживания и возможности переключаться с обнаружения объектов на задачи OBB, когда дефекты требуют наклонных ограничивающих рамок.

Умное здравоохранение и медицинская визуализация#

Наборы данных медицинских изображений часто невелики, поэтому избежать переобучения непросто. Встроенные инструменты аугментации и процессы трансферного обучения в экосистеме Ultralytics помогают врачам и разработчикам создавать точные модели для обнаружения опухолей. Большое сообщество Ultralytics также помогает решать задачи в специализированных областях, таких как здравоохранение.

Открой для себя будущее с YOLO26

Если ты создаёшь новое приложение с нуля, рассмотри YOLO26. Выпущенная в январе 2026 года, эта модель использует оптимизатор MuSGD, ProgLoss и STAL для повышения точности обнаружения мелких объектов, а также предлагает опциональный режим инференса без NMS в сквозной архитектуре (nms=False).

DAMO-YOLO остаётся ярким примером применения поиска нейронной архитектуры, но для реальных задач компьютерного зрения практичнее выбрать YOLO11 и более широкое семейство Ultralytics во главе с YOLO26 — благодаря быстрому развертыванию, простоте использования и поддержке нескольких задач.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.