YOLOv6-3.0 против DAMO-YOLO#

Ландшафт компьютерного зрения постоянно развивается: новые архитектуры расширяют границы возможного в обнаружении объектов в реальном времени object detection. Два заметных претендента в этой сфере — YOLOv6-3.0 и DAMO-YOLO. Обе модели предлагают уникальные архитектурные инновации, созданные для максимальной производительности на промышленном оборудовании. Это руководство содержит подробное техническое сравнение этих двух моделей, исследуя их архитектуры, методы обучения и идеальные сценарии использования, а также знакомит с преимуществами нового поколения моделей Ultralytics, такими как YOLO26.

Профили моделей#

YOLOv6-3.0: промышленная пропускная способность#

Разработанная департаментом Vision AI в Meituan, модель YOLOv6-3.0 создана специально для высокопроизводительных промышленных приложений. Основной упор в ней сделан на максимальную производительность на аппаратных ускорителях, таких как графические процессоры NVIDIA.

• Авторы: Chuyi Li, Lulu Li, Yifei Geng и др.
• Организация: Meituan
• Дата: 2023-01-13
• Arxiv: 2301.05586
• GitHub: meituan/YOLOv6
• Docs: Ultralytics YOLOv6 Documentation

YOLOv6-3.0 представляет модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков и использует стратегию обучения на основе якорей (AAT). Эта стратегия объединяет преимущества детекторов на основе якорей и безьякорных детекторов anchor-free detectors во время обучения, сохраняя инференс строго безьякорным. Ее бэкбон EfficientRep делает ее исключительно дружественной к оборудованию для пакетной обработки на GPU, что идеально подходит для обработки огромных массивов данных понимания видео video understanding.

Узнай больше о YOLOv6

DAMO-YOLO: Быстрота и точность благодаря NAS#

Созданная Alibaba Group, DAMO-YOLO использует поиск архитектуры нейросетей (NAS) для автоматического поиска наиболее эффективных структур бэкбона для инференса в реальном времени.

• Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen и др.
• Организация: Alibaba Group
• Дата: 23.11.2022
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO

DAMO-YOLO выделяется своей сетью RepGFPN (перепараметризованная обобщенная пирамида признаков) для эффективного многомасштабного слияния признаков и дизайном ZeroHead, который значительно снижает вычислительные затраты в детектирующей головке. Она также включает в себя назначение меток AlignedOTA и надежные методы дистилляции знаний для повышения точности без увеличения количества параметров модели.

Узнай больше о DAMO-YOLO

Сравнение производительности#

При оценке моделей обнаружения объектов баланс между средней точностью (mAP) mean average precision (mAP) и скоростью инференса имеет критическое значение. Ниже приведено подробное сравнение YOLOv6-3.0 и DAMO-YOLO для различных масштабов моделей.

YOLOv6-3.0 демонстрирует исключительную скорость на GPU NVIDIA с использованием оптимизаций TensorRT TensorRT, особенно в вариантах nano и small. Тем не менее, оптимизированные с помощью NAS бэкбоны DAMO-YOLO обычно требуют меньше FLOPs для средних и крупных масштабов, что дает небольшое преимущество по задержке при крупных развертываниях.

Преимущество Ultralytics: знакомься с YOLO26#

Хотя YOLOv6-3.0 и DAMO-YOLO — мощные инструменты, разработчики часто сталкиваются со сложностями в конвейерах развертывания, высокими требованиями к памяти при обучении и жесткими однозадачными архитектурами. Экосистема Ultralytics обеспечивает гораздо более простой и удобный процесс разработки.

С выходом YOLO26 компания Ultralytics переосмыслила передовой край ИИ в компьютерном зрении. Выпущенная в январе 2026 года Ultralytics YOLO26 расширяет границы эффективности и универсальности.

Ключевые инновации в YOLO26#

• Конструкция без NMS (End-to-End): Опираясь на концепции, впервые примененные в YOLOv10, модель YOLO26 нативно исключает постобработку методом подавления немаксимумов (NMS). Это радикально снижает разброс задержек и упрощает развертывание на периферийных устройствах с помощью CoreML CoreML или TFLite TFLite.
• Удаление DFL: Удалив распределенную фокальную потерю (Distribution Focal Loss), YOLO26 упрощает процесс экспорта и значительно улучшает совместимость с маломощными микроконтроллерами и пограничным оборудованием.
• До 43% более быстрый вывод на CPU: Для приложений, лишенных выделенного GPU, оптимизации CPU в YOLO26 обеспечивают беспрецедентную скорость, превосходя модели, сильно зависящие от GPU, такие как YOLOv6.
• Оптимизатор MuSGD: Вдохновленный методами обучения LLM, такими как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon), чтобы гарантировать стабильное обучение и быструю сходимость.
• ProgLoss + STAL: Передовые функции потерь значительно улучшают распознавание мелких объектов, что делает YOLO26 идеальным решением для операций с дронами drone operations и отслеживания удаленных целей.
• Многозадачная универсальность: В отличие от DAMO-YOLO, которая является исключительно детектором, YOLO26 предоставляет встроенную поддержку сегментации экземпляров Instance Segmentation, оценки позы Pose Estimation (с помощью Residual Log-Likelihood Estimation) и ориентированных ограничивающих рамок (OBB) Oriented Bounding Boxes (OBB) в рамках единого унифицированного API.

Узнай больше о YOLO26

Оптимизированный рабочий процесс на Python#

Обучение и развертывание современных моделей не должны требовать сотен строк шаблонного кода. Пакет Python от Ultralytics упрощает жизненный цикл машинного обучения machine learning.

from ultralytics import YOLO

# Load the cutting-edge YOLO26 small model
model = YOLO("yolo26s.pt")

# Train the model effortlessly with built-in data handling
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Run ultra-fast inference and display results
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

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

Идеальные варианты использования#

Выбор правильной архитектуры полностью зависит от ограничений твоего развертывания:

Когда использовать YOLOv6-3.0#

• Видеоаналитика с большими пакетами: Отлично подходит для обработки плотных видеопотоков на серверах с GPU корпоративного класса, где можно полностью задействовать TensorRT.
• Промышленная автоматизация: Высокоскоростные производственные линии, выполняющие поиск дефектов контроля качества quality control.

Когда использовать DAMO-YOLO#

• Кастомный кремний: Исследование отображения поиска нейронных архитектур для конкретного проприетарного оборудования NPU.
• Академические исследования: Бенчмаркинг новых методов дистилляции знаний для сетей реального времени.

Когда использовать Ultralytics YOLO26#

• Периферийные и мобильные развертывания: Конструкция без NMS, удаление DFL и прирост скорости процессора на 43% делают эту модель бесспорным лидером для интеграции с iOS, Android и Raspberry Pi.
• Быстрое прототипирование в продакшн: Бесшовная интеграция с платформой Ultralytics позволяет командам перейти от разметки набора данных к глобальному облачному развертыванию за считанные дни, а не месяцы.
• Сложные конвейеры зрения: Когда проект требует одновременного обнаружения ограничивающих рамок вместе с ключевыми точками человеческой позы и точными масками сегментации.

Заключение#

И YOLOv6-3.0, и DAMO-YOLO внесли значительный вклад в науку обнаружения объектов в реальном времени. YOLOv6 усовершенствовал максимизацию GPU, в то время как DAMO-YOLO продемонстрировала силу автоматизированного поиска архитектур.

Тем не менее, для разработчиков, ищущих идеальное сочетание точности, скорости инференса и простоты поддержки экосистемы, семейство Ultralytics YOLO остается главным выбором. Благодаря прорывным оптимизациям в YOLO26 порог входа в создание корпоративных приложений компьютерного зрения еще никогда не был так низок.

Для дальнейшего изучения тебе также может быть интересно сравнить эти модели с другими архитектурами в нашей документации, такими как YOLO11 или подходы на базе трансформеров вроде RT-DETR.