Meet YOLO26: next-gen vision AI.

Link to this sectionDAMO-YOLO 与 RTDETRv2#

计算机视觉领域的快速演进催生了一系列令人印象深刻的架构，旨在平衡速度、精度和计算效率。DAMO-YOLO 和 RTDETRv2 是其中两个脱颖而出的模型，它们为解决这些挑战贡献了独特的方法。虽然这两个模型都旨在为实时推理提供前沿解决方案，但它们在架构理念上存在根本差异。

本综合指南将深入探讨这两种模型的技术规格、架构创新及实际用例，同时探索 Ultralytics Platform 和最先进的 YOLO26 等现代解决方案如何重新定义了工业级的部署标准与易用性。

Link to this section模型概述#

Link to this section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) 的快速且精确的目标检测方法。它用 NAS 生成的结构取代了传统的手工设计主干网络，旨在实现低延迟。此外，它还集成了高效的 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

Link to this section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审视图像。它直接输出边界框，完全绕过了 NMS 后处理步骤。该模型引入了一种“免费午餐（bag of freebies）”训练策略，在不增加推理延迟的情况下提高了基线精度。

关键模型详情：

了解更多关于 RTDETRv2 的信息

在视觉 AI 中拥抱 Transformer

虽然 Transformer 需要更高的计算资源，但其处理全局上下文的能力使其在复杂的场景理解中非常有效，这也是 RTDETRv2 的一大优势。

Link to this section性能比较#

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，RTDETRv2 等基于 Transformer 的模型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比较。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(ms)		速度
T4 TensorRT10
(ms)		参数量
(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

Link to this section理想使用场景#

DAMO-YOLO 的优势： 由于其 NAS 优化主干网络及其较小变体（如 DAMO-YOLOt）中极低的参数量，它非常适合在高度受限的硬件上部署。如果你正在使用 ONNX 等运行时或用于边缘计算的专用 TensorRT 引擎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： 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决重叠边界框问题，而无需 NMS，使其成为密集型 人群管理 或需要关键考虑远处物体空间关系的复杂 目标追踪 的稳健选择。

Link to this sectionUltralytics 的优势：隆重介绍 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、生产就绪的应用可能会面临挑战。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水线等问题。

这正是 Ultralytics 生态系统 的脱颖而出之处。通过优先考虑易用性、维护良好的 Python API 以及无与伦比的多功能性，Ultralytics 确保开发人员能减少调试时间，并将更多精力投入到开发中。

最近发布的 Ultralytics YOLO26 模型将这些优势提升到了新的高度，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 中首创，是原生端到端的。这完全消除了 NMS 后处理，使得部署比传统 CNN 更快、更简单，同时兼具 RTDETRv2 直接输出的优势。
  • 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，使其相比耗费内存的 Transformer 成为物联网应用中远胜一筹的选择。
  • MuSGD 优化器： 受月之暗面 (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，实现了极其稳定的训练和更快的收敛速度。
  • ProgLoss + STAL： 这些先进的损失函数在小目标识别方面带来了显著改进，而这在传统模型中通常是一个难点。这对 航空影像 和无人机应用至关重要。
  • 移除 DFL： 移除了分布焦点损失 (Distribution Focal Loss)，以确保更简化的导出格式以及与低功耗边缘设备更好的兼容性。
  • 无与伦比的多功能性： 与仅限于检测的竞争模型不同，YOLO26 在各个方面都包含了针对任务的改进，例如用于 旋转边界框 (OBB) 的专用角度损失、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)。

了解更多关于 YOLO26 的信息

内存效率至关重要

训练 RTDETRv2 等基于 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。

Link to this section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。你可以无缝地加载、训练和验证各种模型（包括 RTDETR 的 PyTorch 实现和最先进的 YOLO 模型），而无需改变你的工作流程。

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()

这种简便性同样适用于 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。

Link to this section结论与进一步探索#

DAMO-YOLO 和 RTDETRv2 无疑都推动了实时目标检测领域的边界。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 Transformer 通过消除 NMS 等传统瓶颈，可以在实时领域中进行竞争。

然而，对于寻求性能、全面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，用户获得了 Transformer 般的端到端检测能力、受 LLM 启发的训练效率以及无可匹敌的 CPU 速度，所有这些都封装在一个直观且健壮的生态系统中。

如果你正在为下一个项目评估模型，你可能会发现阅读我们关于 EfficientDet 与 RTDETR 的对比、探索上一代 YOLO11 或回顾 YOLOX 等学术基准非常有价值。立即通过浏览 Ultralytics 快速入门指南 开始构建。

贡献者
GLglenn-jocher13SEsergiuwaxmann1PDpderrenger1

评论