DAMO- YOLO so với Ultralytics YOLOv8 So sánh kỹ thuật toàn diện

Lĩnh vực thị giác máy tính thời gian thực liên tục thay đổi khi các nhà nghiên cứu và kỹ sư đẩy mạnh giới hạn về tốc độ và độ chính xác. Hai cột mốc quan trọng trong hành trình này là DAMO- YOLO và Ultralytics YOLOv8 . Cả hai mô hình đều hướng đến việc tối ưu hóa sự cân bằng giữa độ trễ và độ chính xác trung bình (Average Precision - APR). mAP ), họ áp dụng những phương pháp kiến ​​trúc và triết học hoàn toàn khác nhau để giải quyết các thách thức trong việc phát hiện đối tượng .

Bản phân tích kỹ thuật toàn diện này sẽ so sánh kiến ​​trúc nền tảng, phương pháp đào tạo và triển khai thực tế của chúng để giúp bạn lựa chọn công cụ phù hợp cho dự án trí tuệ nhân tạo tiếp theo của mình.

Nguồn gốc và thông số kỹ thuật của mẫu xe

Việc hiểu rõ nguồn gốc của các mô hình học sâu này cung cấp bối cảnh có giá trị liên quan đến mục tiêu thiết kế và hệ sinh thái triển khai của chúng.

DAMO- YOLO Chi tiết

Tác giả: Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, và Xiuyu Sun
Tổ chức: Tập đoàn Alibaba
Ngày: 23/11/2022
Arxiv: https://arxiv.org/abs/2211.15444v2
GitHub: tinyvision/DAMO- YOLO

Tìm hiểu thêm về DAMO-YOLO

Ultralytics YOLOv8 Chi tiết

Tác giả: Glenn Jocher, Ayush Chaurasia và Jing Qiu
Tổ chức: Ultralytics
Ngày: 10/01/2023
GitHub: ultralytics / ultralytics
Tài liệu: Tài liệu hướng dẫn sử dụng YOLOv8

Tìm hiểu thêm về YOLOv8

Đổi mới Kiến trúc

Các đặc tính về hiệu suất của cả hai kiểu kiến ​​trúc đều bắt nguồn từ những quyết định cấu trúc độc đáo của chúng.

DAMO- YOLO Được thúc đẩy bởi Tìm kiếm Kiến trúc

DAMO- YOLO Hệ thống này dựa nhiều vào Tìm kiếm Kiến trúc Mạng nơ-ron (Neural Architecture Search - NAS) để tự động khám phá các cấu trúc mạng tối ưu. Nó giới thiệu một khái niệm gọi là MAE-NAS, tìm kiếm các mạng xương sống mang lại hiệu suất cao với độ trễ thấp. Ngoài ra, nó sử dụng RepGFPN (Reparameterized Generalized Feature Pyramid Network) hiệu quả để tăng cường sự kết hợp đặc trưng trên các thang đo không gian khác nhau.

Để cải thiện quá trình đào tạo, nhóm Alibaba đã tích hợp thiết kế ZeroHead và việc gán nhãn AlignedOTA. Hơn nữa, họ dựa nhiều vào một quy trình chắt lọc kiến ​​thức phức tạp, trong đó mô hình giáo viên chuyên sâu hướng dẫn mô hình học sinh đơn giản, giúp đạt được các chỉ số chính xác cao hơn trên các tiêu chuẩn học thuật.

YOLOv8 Thiết kế tinh gọn và đa năng

Ultralytics đã áp dụng cách tiếp cận ưu tiên nhà phát triển hơn với YOLOv8 Nó đã chuyển từ thiết kế dựa trên anchor của YOLOv5 sang kiến ​​trúc không anchor, giúp giảm đáng kể số lượng dự đoán hộp giới hạn và tăng tốc quá trình suy luận. Việc giới thiệu mô-đun C2f (Cross-Stage Partial Bottleneck with 2 convolutions) đã cải thiện luồng gradient và biểu diễn đặc trưng mà không làm tăng thêm gánh nặng tính toán quá mức.

Không giống như các mô hình chỉ nhắm mục tiêu vào các hộp giới hạn, YOLOv8 Được thiết kế từ đầu để hoạt động đa phương thức. Mã nguồn PyTorch thống nhất hỗ trợ nguyên bản phân đoạn đối tượng, ước tính tư thế và phân loại hình ảnh, giúp các kỹ sư không cần phải ghép nối các kho lưu trữ khác nhau.

Cuộc đối đầu về hiệu năng

Khi so sánh các chỉ số thô, điều quan trọng là phải phân tích xem khả năng lý thuyết chuyển đổi thành hiệu năng phần cứng như thế nào. Bảng dưới đây minh họa sự đánh đổi giữa các kích thước mô hình khác nhau.

Trong khi DAMO- YOLO nhờ kỹ thuật chưng cất mà nó thể hiện tỷ lệ thông số trên độ chính xác cao. YOLOv8 Cung cấp nhiều lựa chọn kích thước mô hình hơn (từ Nano đến Siêu lớn). YOLOv8 Mô hình Nano là một ví dụ điển hình về tối ưu hóa tại chỗ, tiêu thụ ít tài nguyên hơn trong khi vẫn mang lại độ chính xác cao và hữu dụng.

Hệ sinh thái và Trải nghiệm nhà phát triển

Điểm khác biệt thực sự giữa các bài báo khoa học và các hệ thống sẵn sàng cho sản xuất nằm ở hệ sinh thái.

DAMO- YOLO Việc phụ thuộc vào các quy trình chắt lọc kiến ​​thức phức tạp có thể khiến việc đào tạo tùy chỉnh trở nên khó khăn. Tạo mô hình giáo viên, chuyển giao kiến ​​thức và tinh chỉnh các hệ thống dựa trên NAS đòi hỏi bộ nhớ CUDA cao và cấu hình nâng cao, thường làm chậm các nhóm kỹ thuật linh hoạt.

Ngược lại, Ultralytics Hệ sinh thái này đề cao tính dễ sử dụng. Thông qua Nền tảng Ultralytics , các nhà phát triển có thể truy cập API đơn giản, tài liệu toàn diện và tích hợp theo dõi thử nghiệm mạnh mẽ. Hệ sinh thái thống nhất Python Khung phần mềm này giúp việc xây dựng các quy trình phức tạp trở nên dễ dàng.

from ultralytics import YOLO

# Load a pretrained YOLOv8 nano model
model = YOLO("yolov8n.pt")

# Train the model on a custom dataset with built-in augmentations
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# Export the trained model to ONNX format for deployment
model.export(format="onnx")

Quy trình làm việc được tối ưu hóa này, kết hợp với khả năng xuất dữ liệu liền mạch sang OpenVINO và TensorRT , đảm bảo một lộ trình thông suốt từ việc tạo mẫu cục bộ đến triển khai trên đám mây hoặc thiết bị biên.

Ứng dụng thực tế và các trường hợp sử dụng lý tưởng

Việc lựa chọn giữa các kiến ​​trúc này thường phụ thuộc vào các ràng buộc về mặt vận hành của môi trường làm việc của bạn.

Vị trí của DAMO-YOLO

DAMO- YOLO Đây là lựa chọn tuyệt vời cho môi trường học thuật nghiên cứu về Tìm kiếm Kiến trúc Mạng nơ-ron hoặc các nhà nghiên cứu đang cố gắng tái tạo các chiến lược tham số hóa biểu diễn phức tạp. Nó cũng có thể vượt trội trong các ứng dụng công nghiệp được kiểm soát chặt chẽ, chẳng hạn như phát hiện lỗi tốc độ cao trên dây chuyền sản xuất, miễn là nhóm nghiên cứu có đủ tài nguyên tính toán để xử lý quá trình huấn luyện nhiều giai đoạn của nó.

Tại sao Ultralytics Trưởng nhóm sản xuất

Đối với phần lớn các dự án thương mại, Ultralytics Các mẫu này mang lại sự cân bằng hiệu suất vượt trội.

• Bán lẻ thông minh: Sử dụng YOLOv8 Khả năng xử lý đa nhiệm của nó bao gồm cả việc phát hiện khung giới hạn cho hàng tồn kho và ước tính tư thế để phân tích hành vi khách hàng.
• Nông nghiệp: Sử dụng phân đoạn đối tượng để detect Hiển thị chính xác ranh giới cây trồng và cỏ dại trong thời gian thực trên màn hình máy kéo.
• Ảnh chụp từ trên không: Tận dụng hộp giới hạn định hướng (OBB) để chính xác track Các phương tiện và tàu thuyền được xoay từ máy bay không người lái hoặc vệ tinh.

Chuẩn bị cho tương lai: Hãy đến với YOLO26

Trong khi YOLOv8 Mặc dù vẫn là một mô hình nền tảng, lĩnh vực này vẫn tiếp tục phát triển. Đối với tất cả các phát triển mới, YOLO26 là tiêu chuẩn được khuyến nghị. Được phát hành vào tháng 1 năm 2026, nó đại diện cho một bước tiến vượt bậc trong lĩnh vực này. Ultralytics đội hình.

YOLO26 tiên phong trong thiết kế không cần NMS Non-Maximum Suppression) từ đầu đến cuối , loại bỏ hoàn toàn nút thắt cổ chai Non-Maximum Suppression truyền thống. Bước đột phá về cấu trúc này mang lại khả năng suy luận CPU nhanh hơn tới 43% , biến nó thành một công cụ mạnh mẽ tuyệt đối cho điện toán biên và phần cứng IoT.

Hơn nữa, YOLO26 giới thiệu MuSGD Optimizer , một thuật toán lai lấy cảm hứng từ các kỹ thuật huấn luyện Large Language Model (LLM) đảm bảo tốc độ hội tụ nhanh hơn và các vòng lặp huấn luyện cực kỳ ổn định. Kết hợp với các thuật toán ProgLoss + STAL mới, YOLO26 thể hiện những cải tiến vượt bậc trong nhận dạng đối tượng nhỏ, đảm bảo rằng quá trình triển khai của bạn không chỉ nhanh mà còn chính xác tuyệt đối.

Tìm hiểu thêm về YOLO26

Bình luận