在 GitHub 上编辑页面 (EN)

技术对决：DAMO-YOLO 与 RTDETRv2 在实时目标检测中的表现

计算机视觉领域的发展日新月异，涌现出一系列令人印象深刻的架构，旨在平衡速度、准确性和计算效率。DAMO-YOLO 和 RTDETRv2 是两个杰出的模型，它们为解决这些挑战贡献了独特的方案。虽然这两个模型都旨在提供先进的实时推理解决方案，但它们的架构理念有着根本的不同。

本综合指南深入探讨了这两种模型的技术规格、架构创新和实际应用案例，同时也探索了 Ultralytics Platform 和最先进的 YOLO26 等现代解决方案如何重新定义了工业部署和易用性标准。

模型概览

了解 DAMO-YOLO

DAMO-YOLO 由阿里巴巴集团的研究人员开发，引入了一种高度依赖神经架构搜索（NAS）的快速且准确的目标检测方法。它用 NAS 生成的专为低延迟设计的结构取代了传统的手工构建骨干网络。此外，它还结合了高效的 RepGFPN（重参数化广义特征金字塔网络）和 ZeroHead 设计，以简化特征聚合和边界框预测。

关键模型详情：

了解更多关于 DAMO-YOLO 的信息

了解 RTDETRv2

百度的 RTDETRv2 代表了实时检测 Transformer 的一次重大飞跃。与依赖锚框（anchor boxes）和非极大值抑制（NMS）的传统卷积神经网络（CNN）不同，RTDETRv2 利用自注意力机制从全局角度看待整个图像。它直接输出边界框，完全绕过了 NMS 后处理步骤。该模型引入了“免费赠品（bag of freebies）”训练策略，在不增加推理延迟的情况下提高了基准准确率。

关键模型详情：

了解关于 RTDETRv2 的更多信息

在视觉 AI 中采用 Transformer

虽然 Transformer 需要更高的计算资源，但它们处理全局上下文的能力使其在复杂的场景理解方面表现得非常出色，这也是 RTDETRv2 的一大优势。

性能对比

在评估这些模型进行实际部署时，平均精度均值（mAP）、推理速度和内存占用等参数至关重要。与 DAMO-YOLO 等轻量级 CNN 相比，基于 Transformer 的模型（如 RTDETRv2）在训练和推理过程中通常需要更高的 CUDA 内存。

以下是它们性能指标的详细对比。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数
(M)		FLOPs
(B)
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
RTDETRv2-s64048.1-5.032060
RTDETRv2-m64051.9-7.5136100
RTDETRv2-l64053.4-9.7642136
RTDETRv2-x64054.3-15.0376259

理想用例

DAMO-YOLO 的优势所在： 由于其经过 NAS 优化的骨干网络以及在较小变体（如 DAMO-YOLOt）中极低的参数量，它非常适合在受限硬件上部署。如果你正在使用 ONNX 或专用的 TensorRT 引擎等运行时环境为边缘计算构建嵌入式设备解决方案，DAMO-YOLO 提供了一个响应迅速的框架。

RTDETRv2 的优势所在： RTDETRv2 在拥有服务器级 GPU 且全局图像上下文至关重要的情况下表现出色。其 Transformer 架构使其能够自然地解析重叠的边界框而无需 NMS，这使其成为密集 人群管理 或复杂 目标跟踪 等需要考虑远距离物体空间关系的场景下的稳健选择。

Ultralytics 的优势：介绍 YOLO26

虽然 DAMO-YOLO 和 RTDETRv2 代表了重大的学术成就，但将这些模型转化为可扩展、生产就绪的应用程序可能极具挑战性。开发人员经常面临代码库碎片化、缺乏对多任务学习的支持以及复杂的部署流程等问题。

这就是 Ultralytics 生态系统 真正与众不同的地方。通过优先考虑易用性、维护良好的 Python API 和无与伦比的多功能性，Ultralytics 确保开发人员能少花时间调试，多花时间构建。

最近发布的 Ultralytics YOLO26 模型将这些优势提升到了一个新的高度，其提供的突破性进展超过了 DAMO-YOLO 和 RTDETRv2：

  • 端到端无 NMS 设计： YOLO26 最初在 YOLOv10 中开创，它是原生端到端的。这彻底消除了 NMS 后处理，使部署比传统 CNN 更快且更简单，同时拥有与 RTDETRv2 相同的直接输出优势。
  • CPU 推理速度提升高达 43%： 针对没有独立 GPU 的 边缘 AI 设备 进行了深度优化，使其与内存密集型的 Transformer 相比，成为物联网应用的绝佳选择。
  • MuSGD 优化器： 受 Moonshot AI 的 Kimi K2 启发，这种 SGD 与 Muon 的混合体将大型语言模型（LLM）的训练创新引入了计算机视觉领域，实现了非常稳定的训练和更快的收敛。
  • ProgLoss + STAL： 这些高级损失函数在小目标识别方面带来了显著改进，而这一领域通常是传统模型的弱项。这对于 航空影像 和无人机应用至关重要。
  • DFL 移除： 已移除分布焦点损失（Distribution Focal Loss），以确保简化导出格式并提高与低功耗边缘设备的兼容性。
  • 无与伦比的多功能性： 与仅限于检测的竞争模型不同，YOLO26 在各方面都包含针对特定任务的改进，例如针对 旋转边界框 (OBB) 的专门角度损失、用于像素级精度的语义分割损失，以及用于 姿态估计 的残差对数似然估计 (RLE)。

了解关于 YOLO26 的更多信息

内存效率至关重要

训练像 RTDETRv2 这样基于 Transformer 的模型需要巨大的 CUDA 内存分配，通常需要昂贵的多 GPU 设置。Ultralytics YOLO 模型在训练和推理过程中都保持了显著更低的内存需求，为研究人员和爱好者普及了 AI 开发。

代码示例：统一的 Ultralytics API

Ultralytics 生态系统最大的优势之一是其统一的 API。你可以无缝加载、训练和验证各种模型（包括 RTDETR 的 PyTorch 实现和最先进的 YOLO 模型），而无需更改工作流程。

from ultralytics import RTDETR, YOLO

# Load an RTDETRv2 model
model_rtdetr = RTDETR("rtdetr-l.pt")

# Load the cutting-edge YOLO26 model
model_yolo = YOLO("yolo26n.pt")

# Run inference on an image with a simple, unified interface
results_rtdetr = model_rtdetr("https://ultralytics.com/images/bus.jpg")
results_yolo = model_yolo("https://ultralytics.com/images/bus.jpg")

# Display the detected objects
results_yolo[0].show()

这种简单性扩展到了 自定义数据集训练 和导出。利用 Ultralytics Python 软件包，开发人员只需一条命令即可轻松将训练好的权重推送到 CoreML 或 OpenVINO 等部署平台。

结论与进一步探索

DAMO-YOLO 和 RTDETRv2 无疑都推动了实时目标检测的边界。DAMO-YOLO 为原始效率提供了高度优化、自动搜索的网络结构，而 RTDETRv2 则证明了通过消除 NMS 等传统瓶颈，Transformer 可以在实时领域展开竞争。

然而，对于寻求性能、详尽文档和生产就绪性之间最佳平衡的开发人员来说，Ultralytics YOLO 模型 仍然是黄金标准。随着 YOLO26 的推出，用户可以获得类似 Transformer 的端到端检测、受 LLM 启发的训练效率和无与伦比的 CPU 速度——所有这些都封装在一个直观且强大的生态系统中。

如果你正在为下一个项目评估模型，阅读我们关于 EfficientDet 与 RTDETR 的对比、探索上一代 YOLO11 或回顾 YOLOX 等学术基准可能也会对你有所帮助。通过查阅 Ultralytics 快速入门指南 立即开始构建吧。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12SEsergiuwaxmann1PDpderrenger1

评论