YOLOv6-3.0 и DAMO-YOLO#

Компьютерное зрение постоянно развивается: новые архитектуры расширяют возможности детекции объектов в реальном времени. Среди заметных моделей в этой области — YOLOv6-3.0 и DAMO-YOLO. Обе модели предлагают уникальные архитектурные инновации, призванные повысить производительность на промышленном оборудовании. В этом руководстве подробно сравниваются архитектуры, методики обучения и оптимальные сценарии использования моделей, а также рассматриваются преимущества моделей нового поколения, таких как Ultralytics 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.

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

В YOLOv6-3.0 добавлен модуль двунаправленной конкатенации (BiC) для улучшения слияния признаков и используется стратегия обучения с поддержкой якорей (AAT). Эта стратегия сочетает преимущества якорных моделей и безъякорных детекторов во время обучения, сохраняя полностью безъякорный инференс. Базовая сеть EfficientRep хорошо приспособлена к аппаратному обеспечению и пакетной обработке на GPU, что делает её подходящей для обработки больших объёмов данных видеоаналитики.

Подробнее о YOLOv6

DAMO-YOLO: скорость и точность благодаря NAS#

Созданная Alibaba Group, модель DAMO-YOLO использует поиск по нейронной архитектуре (NAS), чтобы автоматически находить наиболее эффективные структуры базовой сети 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 сетью RepGFPN (перепараметризованная обобщённая сеть пирамиды признаков), обеспечивающей эффективное слияние признаков разных масштабов, и архитектурой ZeroHead, значительно снижающей вычислительные затраты на голову детекции. В модели также применяются назначение меток AlignedOTA и эффективные методы дистилляции знаний, повышающие точность без увеличения числа параметров модели.

Узнай больше о DAMO-YOLO

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.

YOLOv6-3.0 демонстрирует исключительную скорость на GPU NVIDIA при использовании оптимизаций TensorRT, особенно в nano- и small-вариантах. Однако бэкбоны DAMO-YOLO, оптимизированные с помощью NAS, обычно требуют меньше FLOPs в моделях среднего и крупного размера, что дает небольшое преимущество по задержке при крупных развертываниях.

Преимущества Ultralytics: знакомство с YOLO26#

Хотя YOLOv6-3.0 и DAMO-YOLO — мощные инструменты, разработчики часто сталкиваются со сложными конвейерами развертывания, высокими требованиями к памяти во время обучения и негибкими одноцелевыми архитектурами. Экосистема Ultralytics обеспечивает значительно более простой опыт разработки.

С выходом YOLO26 Ultralytics переосмыслила передовые достижения в области компьютерного зрения и ИИ. Выпущенная в январе 2026 года, Ultralytics YOLO26 расширяет границы эффективности и универсальности.

Основные нововведения YOLO26#

• Сквозная архитектура без NMS: развивая идеи, впервые реализованные в YOLOv10, необязательная голова one-to-one в YOLO26 (nms=False) устраняет постобработку методом подавления немаксимумов (NMS). Это значительно сокращает разброс задержки и упрощает развертывание на граничных устройствах через CoreML или LiteRT.
• Удаление DFL: удаление Distribution Focal Loss упрощает экспорт YOLO26 и значительно повышает совместимость с маломощными микроконтроллерами и граничным оборудованием.
• Инференс на CPU до 43% быстрее: для приложений без выделенного GPU оптимизации YOLO26 для CPU обеспечивают непревзойденную скорость, превосходя модели, сильно зависящие от GPU, например YOLOv6.
• Оптимизатор MuSGD: вдохновленная методами обучения LLM, такими как Kimi K2 от Moonshot AI, модель YOLO26 использует оптимизатор MuSGD (гибрид SGD и Muon), обеспечивающий стабильное обучение и быструю сходимость.
• ProgLoss + STAL: усовершенствованные функции потерь значительно улучшают распознавание мелких объектов, что делает YOLO26 идеальным решением для работы с дронами и отслеживания удаленных целей.
• Универсальность для множества задач: в отличие от DAMO-YOLO, предназначенной только для обнаружения объектов, YOLO26 из коробки поддерживает сегментацию экземпляров, оценку позы (с помощью Residual Log-Likelihood Estimation) и ориентированные ограничивающие рамки (OBB) в рамках единого API.

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

# Загрузи передовую small-модель YOLO26
model = YOLO("yolo26s.pt")

# Легко обучи модель благодаря встроенной обработке 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 модель в ONNX или TensorRT без лишних усилий
model.export(format="onnx")

Оптимальные сценарии применения#

Выбор подходящей архитектуры полностью зависит от ограничений твоего развертывания:

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#

• Развертывание на граничных и мобильных устройствах: архитектура без NMS, удаление DFL и прирост скорости CPU на 43% делают YOLO26 бесспорным лидером для интеграции с iOS, Android и Raspberry Pi.
• От быстрого прототипирования до производства: бесшовная интеграция с платформой Ultralytics позволяет командам за несколько дней, а не месяцев, пройти путь от разметки датасета до развертывания в глобальном облаке.
• Сложные конвейеры компьютерного зрения: когда проект требует одновременно обнаруживать 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 для разработчиков, которым нужно оптимальное сочетание точности, скорости инференса и удобства сопровождения экосистемы, семейство Ultralytics YOLO остается лучшим выбором. Благодаря революционным оптимизациям, представленным в YOLO26, порог входа в разработку корпоративных приложений компьютерного зрения стал как никогда низким.

В документации ты также можешь сравнить эти модели с другими архитектурами, например YOLO11 или подходами на основе Transformer, такими как RT-DETR.