YOLOv6-3.0 и DAMO-YOLO#

Сфера компьютерного зрения постоянно развивается: новые архитектуры расширяют границы возможностей обнаружения объектов в реальном времени обнаружения объектов. Два заметных конкурента в этой области — YOLOv6-3.0 и DAMO-YOLO. Обе модели предлагают уникальные архитектурные решения, разработанные для максимальной производительности на промышленном оборудовании. В этом руководстве приводится подробное техническое сравнение этих двух моделей, рассматриваются их архитектуры, методики обучения и оптимальные варианты применения, а также представлены преимущества нового поколения моделей Ultralytics, таких как YOLO26.

Профили моделей#

YOLOv6-3.0: производительность промышленного уровня#

Разработанная отделом Vision AI компании Meituan, модель YOLOv6-3.0 создана специально для промышленных приложений с высокой пропускной способностью. Основное внимание уделено максимальной производительности 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
• Документация: Документация Ultralytics YOLOv6

В YOLOv6-3.0 представлен модуль двунаправленной конкатенации (BiC) для улучшения объединения признаков и используется стратегия обучения с поддержкой якорей (AAT). Эта стратегия сочетает преимущества детекторов на основе якорей и безъякорных детекторов во время обучения, сохраняя полностью безъякорный режим на этапе инференса. Бэкбон EfficientRep делает модель особенно удобной для пакетной обработки на GPU, что идеально подходит для обработки больших объемов данных понимания видео.

Узнай больше о YOLOv6

DAMO-YOLO: быстро и точно благодаря NAS#

Созданная Alibaba Group модель DAMO-YOLO использует поиск нейронной архитектуры (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: 2022-11-23
• Arxiv: 2211.15444v2
• GitHub: tinyvision/DAMO-YOLO

DAMO-YOLO выделяется благодаря RepGFPN (обобщенной пирамидальной сети признаков с репараметризацией), обеспечивающей эффективное объединение признаков разных масштабов, и архитектуре ZeroHead, которая значительно снижает вычислительные затраты в голове детектора. В модели также используются присвоение меток AlignedOTA и надежные методы дистилляции знаний, повышающие точность без увеличения количества параметров модели.

Узнай больше о DAMO-YOLO

Сравнение производительности#

При оценке моделей обнаружения объектов критически важно соблюдать баланс между средней точностью (mAP) и скоростью инференса. Ниже приведено подробное сравнение YOLOv6-3.0 и DAMO-YOLO для моделей разных масштабов.

YOLOv6-3.0 демонстрирует исключительную скорость на GPU NVIDIA с оптимизациями TensorRT, особенно в вариантах nano и small. Однако бэкбоны DAMO-YOLO, оптимизированные с помощью NAS, как правило, требуют меньше FLOPs в моделях среднего и большого размера, что обеспечивает небольшое преимущество по задержке при масштабных развертываниях.

Преимущество Ultralytics: встречай YOLO26#

Хотя YOLOv6-3.0 и DAMO-YOLO являются мощными инструментами, разработчики часто сталкиваются со сложными конвейерами развертывания, высокими требованиями к памяти во время обучения и жесткими архитектурами, рассчитанными на одну задачу. Экосистема Ultralytics обеспечивает значительно более удобный процесс разработки.

С выпуском YOLO26 компания Ultralytics переосмыслила передовые технологии компьютерного зрения. Выпущенная в январе 2026 года, Ultralytics YOLO26 расширяет границы эффективности и универсальности.

Ключевые инновации YOLO26#

• Сквозная архитектура без NMS: Развивая концепции, впервые представленные в YOLOv10, YOLO26 изначально устраняет постобработку с подавлением немаксимумов (NMS). Это значительно уменьшает вариативность задержки и упрощает развертывание на периферийных устройствах с помощью CoreML или TFLite.
• Удаление DFL: Благодаря удалению Distribution Focal Loss YOLO26 упрощает процесс экспорта и значительно повышает совместимость с маломощными микроконтроллерами и периферийным оборудованием.
• До 43% более быстрый инференс на CPU: Для приложений без выделенного GPU оптимизации YOLO26 для CPU обеспечивают беспрецедентную скорость, превосходя модели с сильной зависимостью 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), обеспечивающий стабильное обучение и быструю сходимость.
• ProgLoss + STAL: Продвинутые функции потерь значительно улучшают распознавание небольших объектов, что делает YOLO26 идеальным решением для операций с дронами и отслеживания удаленных целей.
• Универсальность для нескольких задач: В отличие от DAMO-YOLO, предназначенного исключительно для обнаружения объектов, YOLO26 из коробки поддерживает сегментацию экземпляров, оценку позы (с использованием оценки остаточного логарифмического правдоподобия) и ориентированные ограничивающие рамки (OBB) в рамках единого API.

Оптимизированный рабочий процесс на Python#

Обучение и развертывание передовых моделей не должно требовать сотен строк шаблонного кода. Пакет Ultralytics для 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 сценарии использования#

Выбор подходящей архитектуры полностью зависит от ограничений твоего развертывания:

Когда использовать YOLOv6-3.0#

• Видеоаналитика с большими пакетами: Отличный вариант для обработки плотных видеопотоков на корпоративных GPU-серверах, где возможности TensorRT можно использовать в полной мере.
• Промышленная автоматизация: Высокоскоростные производственные линии, выполняющие обнаружение дефектов для контроля качества.

Когда использовать DAMO-YOLO#

• Специализированный кремний: Исследование соответствия результатов поиска нейронной архитектуры конкретному проприетарному оборудованию NPU.
• Академические исследования: Сравнительный анализ новых методов дистилляции знаний для сетей реального времени.

Когда использовать Ultralytics YOLO26#

• Периферийные и мобильные развертывания: Архитектура без NMS, удаление DFL и повышение скорости CPU на 43% делают модель безусловным лидером для интеграции с iOS, Android и Raspberry Pi.
• От быстрого прототипирования до промышленной эксплуатации: Бесшовная интеграция с Ultralytics Platform позволяет командам переходить от разметки датасета к глобальному облачному развертыванию за дни, а не месяцы.
• Сложные конвейеры компьютерного зрения: Когда проекту требуется 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 технологий обнаружения объектов в реальном времени. YOLOv6 усовершенствовала максимальное использование GPU, а DAMO-YOLO продемонстрировала возможности автоматизированного поиска архитектуры.

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 приложений компьютерного зрения корпоративного уровня стал как никогда низким.

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