YOLOv6-3.0 против DAMO-YOLO: Техническое противостояние в обнаружении объектов в реальном времени

Ландшафт компьютерного зрения постоянно развивается, новые архитектуры расширяют границы возможного в обнаружении объектов в реальном времени. Двумя заметными претендентами в этой области являются YOLOv6-3.0 и DAMO-YOLO. Обе модели представляют уникальные архитектурные инновации, разработанные для максимизации производительности на промышленном оборудовании. В этом руководстве представлено всестороннее техническое сравнение этих двух моделей, исследуются их архитектуры, методологии обучения и идеальные сценарии использования, а также представлены преимущества моделей Ultralytics следующего поколения, таких как YOLO26.

Профили моделей

YOLOv6-3.0: Пропускная способность промышленного уровня

Разработанный отделом Vision AI в Meituan, YOLOv6-3.0 разработан специально для высокопроизводительных промышленных приложений. Он в значительной степени ориентирован на максимизацию производительности на аппаратных ускорителях, таких как NVIDIA GPU.

Авторы: Чуйи Ли, Лулу Ли, Ифэй Генг и др.
Организация: Meituan
Дата: 2023-01-13
Arxiv:2301.05586
GitHub:meituan/YOLOv6
Документация:Документация Ultralytics YOLOv6

YOLOv6-3.0 представляет модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков и использует стратегию обучения с поддержкой якорей (AAT). Эта стратегия сочетает преимущества детекторов на основе якорей и безанкерных детекторов во время обучения, при этом инференс остается строго безанкерным. Его бэкбон EfficientRep делает его очень аппаратно-ориентированным для пакетной обработки на GPU, что идеально подходит для обработки огромных объемов данных для анализа видео.

Узнайте больше о YOLOv6

DAMO-YOLO: Быстрый и точный посредством NAS

Разработанный Alibaba Group, DAMO-YOLO использует поиск нейронной архитектуры (NAS) для автоматического обнаружения наиболее эффективных структур магистральных сетей для инференса в реальном времени.

Авторы: Xianzhe Xu, Yiqi Jiang, Weihua Chen и др.
Организация: Alibaba Group
Дата: 2022-11-23
Arxiv:2211.15444v2
GitHub:tinyvision/DAMO-YOLO

DAMO-YOLO выделяется своей RepGFPN (перепараметризованной обобщенной пирамидальной сетью признаков) для эффективного многомасштабного слияния признаков и архитектурой ZeroHead, которая значительно снижает вычислительные издержки в детекционной голове. Она также включает назначение меток AlignedOTA и надежные методы дистилляции знаний для повышения точности без увеличения количества параметров модели.

Узнайте больше о DAMO-YOLO

Накладные расходы на дистилляцию

Хотя DAMO-YOLO достигает отличной точности, его сильная зависимость от дистилляции знаний во время обучения требует значительно большей «модели-учителя». Это значительно увеличивает объем памяти CUDA, необходимой на этапе обучения, по сравнению с более простыми архитектурами.

Сравнение производительности

При оценке моделей обнаружения объектов критически важен баланс между средней точностью (mAP) и скоростью инференса. Ниже представлено подробное сравнение YOLOv6-3.0 и DAMO-YOLO для различных масштабов моделей.

Модель	размер ^{(пиксели)}	mAP^val 50-95	Скорость ^{CPU ONNX (мс)}	Скорость ^{T4 TensorRT10 (мс)}	параметры ^(M)	FLOPs ^(B)
YOLOv6-3.0n	640	37.5	-	1.17	4.7	11.4
YOLOv6-3.0s	640	45.0	-	2.66	18.5	45.3
YOLOv6-3.0m	640	50.0	-	5.28	34.9	85.8
YOLOv6-3.0l	640	52.8	-	8.95	59.6	150.7

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

YOLOv6-3.0 демонстрирует исключительную скорость на GPU NVIDIA, используя оптимизации TensorRT, особенно в своих нано- и малых вариантах. Однако NAS-оптимизированные бэкбоны DAMO-YOLO, как правило, требуют меньше FLOPs на средних и больших масштабах, что приводит к небольшим преимуществам в задержке для более крупных развертываний.

Преимущество Ultralytics: Представляем YOLO26

Хотя YOLOv6-3.0 и DAMO-YOLO являются мощными инструментами, разработчики часто сталкиваются с проблемами, связанными со сложными конвейерами развертывания, высокими требованиями к памяти во время обучения и жесткими, однозадачными архитектурами. Экосистема Ultralytics обеспечивает значительно более оптимизированный опыт для разработчиков.

С выпуском YOLO26 Ultralytics переосмыслила передовой ИИ в области зрения. Выпущенный в январе 2026 года, Ultralytics YOLO26 расширяет границы эффективности и универсальности.

Ключевые нововведения в YOLO26

Сквозная архитектура без NMS: Основываясь на концепциях, впервые примененных в YOLOv10, YOLO26 изначально исключает постобработку с подавлением немаксимумов (NMS). Это значительно снижает вариативность задержки и упрощает развертывание на периферийных устройствах через CoreML или TFLite.
Удаление DFL: Удаление Distribution Focal Loss в YOLO26 упрощает процесс экспорта и значительно повышает совместимость с маломощными микроконтроллерами и периферийным оборудованием.
До 43% более быстрая инференция на CPU: Для приложений, не имеющих выделенного GPU, оптимизации YOLO26 для CPU 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) для обеспечения стабильного обучения и быстрой сходимости.
ProgLoss + STAL: Продвинутые функции потерь значительно улучшают распознавание мелких объектов, делая YOLO26 идеальным для операций с дронами и track'инга удаленных целей.
Многозадачная универсальность: В отличие от DAMO-YOLO, который является строго детектором, YOLO26 обеспечивает готовую поддержку для сегментации экземпляров, оценки позы (через оценку остаточного логарифмического правдоподобия) и ориентированных ограничивающих рамок (obb) в рамках единого унифицированного API.

Узнайте больше о YOLO26

Обучение с эффективным использованием памяти

В отличие от сложных архитектур трансформеров, таких как RT-DETR, или конвейеров DAMO-YOLO, активно использующих дистилляцию, модели Ultralytics известны своим низким потреблением VRAM. Вы можете легко обучить модель YOLO26 на потребительском оборудовании.

Оптимизированный рабочий процесс Python

Обучение и развертывание передовых моделей не должно требовать сотен строк шаблонного кода. Пакет Ultralytics Python упрощает жизненный цикл машинного обучения.

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 ваших ограничений развертывания:

Когда использовать YOLOv6-3.0

Видеоаналитика с высокой пакетной обработкой: Отлично подходит для обработки плотных видеопотоков на корпоративных GPU-серверах, где TensorRT может быть полностью использован.
Промышленная автоматизация: Высокоскоростные производственные линии, выполняющие контроль качества и обнаружение дефектов.

Когда использовать DAMO-YOLO

Специализированный кремний: Исследование отображения Neural Architecture Search для конкретного, проприетарного оборудования NPU.
Академические исследования: Бенчмаркинг новых методов дистилляции знаний для сетей реального времени.

Когда использовать Ultralytics YOLO26

Развертывания на периферийных и мобильных устройствах: Архитектура без NMS, удаление DFL и увеличение скорости CPU на 43% делают его бесспорным лидером для интеграций с iOS, Android и Raspberry Pi.
Быстрое прототипирование до производства: Бесшовная интеграция с Ultralytics Platform позволяет командам переходить от аннотации наборов данных к глобальному облачному развертыванию за дни, а не месяцы.
Сложные конвейеры компьютерного зрения: Когда проект требует одновременного detect ограничивающих рамок, ключевых точек позы человека и точных масок segment.

Заключение

Как YOLOv6-3.0, так и DAMO-YOLO внесли значительный вклад в науку обнаружения объектов в реальном времени. YOLOv6 усовершенствовала максимизацию использования GPU, в то время как DAMO-YOLO продемонстрировала мощь автоматизированного поиска архитектуры.

Однако для разработчиков, которым требуется идеальное сочетание точности, скорости инференса и удобства поддержки экосистемы, семейство Ultralytics YOLO остается лучшим выбором. Благодаря революционным оптимизациям, представленным в YOLO26, порог входа для создания корпоративных приложений компьютерного зрения никогда не был ниже.

Для дальнейшего изучения вам также может быть интересно сравнить эти модели с другими архитектурами в нашей документации, такими как YOLO11 или трансформерные подходы, такие как RT-DETR.