Начать

YOLOv6-3.0 и DAMO-YOLO

Компьютерное зрение постоянно развивается, а новые архитектуры повышают скорость и точность обнаружения объектов в реальном времени. Среди заметных моделей в этой области — YOLOv6-3.0 и DAMO-YOLO. Обе модели предлагают уникальные архитектурные решения для максимальной производительности на промышленном оборудовании. В этом руководстве подробно сравниваются их архитектуры, методики обучения и подходящие сценарии применения, а также рассматриваются преимущества моделей Ultralytics нового поколения, таких как YOLO26.

Обзор моделей#

YOLOv6-3.0: промышленная пропускная способность#

Разработанная подразделением Vision AI компании Meituan, YOLOv6-3.0 создана специально для промышленных приложений с высокой пропускной способностью. Она ориентирована на максимальную производительность на аппаратных ускорителях, например GPU NVIDIA.

В YOLOv6-3.0 используется модуль двунаправленной конкатенации (BiC) для улучшения объединения признаков и стратегия обучения с поддержкой якорей (AAT). Эта стратегия сочетает преимущества обучения с якорями и детекторов без якорей, сохраняя инференс полностью безъякорным. Основа EfficientRep хорошо работает с оборудованием при пакетной обработке на GPU, поэтому модель подходит для масштабных задач анализа видео.

Подробнее о YOLOv6

DAMO-YOLO: скорость и точность благодаря NAS#

Созданная Alibaba Group модель DAMO-YOLO использует поиск архитектуры нейронной сети (NAS), чтобы автоматически находить наиболее эффективные структуры основы 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 благодаря RepGFPN — параметризованной обобщенной сети пирамиды признаков, обеспечивающей эффективное объединение признаков с разных масштабов, — и архитектуре ZeroHead, которая значительно сокращает вычислительные затраты головы обнаружения. Модель также использует назначение меток AlignedOTA и методы дистилляции знаний для повышения точности без увеличения числа параметров.

Узнай больше о DAMO-YOLO

Затраты на дистилляцию

Хотя DAMO-YOLO демонстрирует отличную точность, сильная зависимость от дистилляции знаний во время обучения требует гораздо более крупной модели-«учителя». Это значительно увеличивает объем памяти CUDA, необходимый 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 приведено подробное сравнение YOLOv6-3.0 и DAMO-YOLO для моделей разных размеров.

Модельразмер
(пиксели)
mAPval50-95Скорость
CPU ONNX
(мс)
Скорость
T4 TensorRT10
(мс)
параметры
(M)
FLOPs
(B)
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7
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

YOLOv6-3.0 демонстрирует высокую скорость на GPU NVIDIA при оптимизации с помощью TensorRT, особенно в компактных и небольших вариантах. Однако основы DAMO-YOLO, оптимизированные с помощью NAS, обычно требуют меньше FLOPs на средних и крупных масштабах, что дает небольшое преимущество по задержке при крупномасштабном развертывании.

Преимущества Ultralytics: знакомство с YOLO26#

YOLOv6-3.0 и DAMO-YOLO — мощные инструменты, однако разработчики часто сталкиваются со сложными конвейерами развертывания, высокими требованиями к памяти при обучении и негибкими архитектурами для одной задачи. Экосистема Ultralytics делает работу разработчиков проще.

YOLO26 — новейшая модель Ultralytics. Выпущенная в январе 2026 года, Ultralytics YOLO26 обеспечивает более высокую эффективность и универсальность.

Основные нововведения YOLO26#

  • Сквозная архитектура без NMS: Опираясь на обучение без NMS, которое YOLOv10 внедрила в модели YOLO, дополнительная голова one-to-one в YOLO26 (nms=False) исключает постобработку с подавлением немаксимумов (NMS). Это снижает колебания задержки и упрощает развёртывание на периферийных устройствах через CoreML или LiteRT.
  • Отказ от DFL: отказ от функции потерь распределенного фокуса упрощает процесс экспорта YOLO26 и повышает совместимость с маломощным периферийным оборудованием.
  • Инференс на CPU до 43% быстрее: для приложений без выделенного GPU YOLO26n работает на CPU до 43% быстрее, чем YOLO11n.
  • Оптимизатор MuSGD: Вдохновлённый методами обучения LLM, такими как Kimi K2 от Moonshot AI, YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon) для стабильного обучения и более быстрой сходимости.
  • ProgLoss + STAL: Прогрессивная функция потерь и стратегия назначения меток с учётом малых объектов улучшают распознавание небольших объектов, что полезно для работы с дронами и отслеживания удалённых целей.
  • Универсальность для разных задач: В отличие от DAMO-YOLO, предназначенной исключительно для детекции, YOLO26 из коробки поддерживает сегментацию экземпляров, семантическую сегментацию, оценку глубины, классификацию, оценку позы (с помощью оценки остаточного логарифмического правдоподобия) и ориентированные ограничивающие рамки (OBB) через единый API.
Обучение с эффективным использованием памяти

В отличие от сложных архитектур на основе Transformer, таких как RT-DETR, или конвейеров DAMO-YOLO с интенсивной дистилляцией, модели Ultralytics отличаются низким потреблением видеопамяти. Ты можешь обучать модель YOLO26 на обычном потребительском оборудовании.

Упрощенный рабочий процесс на Python#

Для обучения и развертывания передовых моделей не должны требоваться сотни строк шаблонного кода. Пакет Ultralytics для Python упрощает весь цикл машинного обучения.

from ultralytics import YOLO

# Загрузить малую модель YOLO26
model = YOLO("yolo26s.pt")

# Обучи модель со встроенной обработкой данных
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Запусти сверхбыстрый инференс и отобрази результаты
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# Экспортируй в ONNX или TensorRT
model.export(format="onnx")

Оптимальные сценарии применения#

Выбор подходящей архитектуры зависит от ограничений среды развёртывания:

Когда использовать YOLOv6-3.0#

  • Видеоаналитика с большими пакетами: отлично подходит для обработки плотных видеопотоков на корпоративных GPU-серверах, где можно в полной мере использовать TensorRT.
  • Промышленная автоматизация: обнаружение дефектов на высокоскоростных производственных линиях для контроля качества.

Когда использовать DAMO-YOLO#

  • Специализированные чипы: исследование отображения результатов поиска нейронной архитектуры на конкретное проприетарное оборудование NPU.
  • Академические исследования: оценка новых методов дистилляции знаний для сетей реального времени.

Когда использовать Ultralytics YOLO26#

  • Развёртывание на периферийных и мобильных устройствах: Опциональная голова без NMS, удаление DFL и ускорение CPU-инференса до 43% (YOLO26n по сравнению с YOLO11n) делают модель подходящей для развёртывания на iOS, Android и Raspberry Pi.
  • От быстрого прототипирования до промышленной эксплуатации: Интеграция с платформой Ultralytics позволяет командам пройти путь от аннотирования датасета до глобального развёртывания в облаке за дни, а не месяцы.
  • Сложные конвейеры компьютерного зрения: Когда проект объединяет ограничивающие рамки, ключевые точки человеческой позы и точные маски сегментации.

Заключение#

И YOLOv6-3.0, и DAMO-YOLO внесли значительный вклад в развитие науки об обнаружении объектов в реальном времени. YOLOv6 усовершенствовала максимальное использование GPU, а DAMO-YOLO продемонстрировала возможности автоматизированного поиска архитектур.

Однако разработчикам, которым нужно удачное сочетание точности, скорости инференса и удобства сопровождения экосистемы, подойдёт семейство Ultralytics YOLO. Оптимизации, представленные в YOLO26, дополнительно упрощают внедрение компьютерного зрения в промышленную эксплуатацию.

Для дальнейшего изучения можно также сравнить эти модели с другими архитектурами в документации, например с YOLO11 или решениями на основе Transformer, такими как RT-DETR.

Участники

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.