跳转至内容

DAMO-YOLO 与 YOLO11 的技术对比

在快速发展的计算机视觉领域，选择正确的物体检测模型对于应用的成功至关重要。本篇综合比较分析了两种重要的架构：阿里巴巴集团开发的YOLO 和 Ultralytics YOLO11是Ultralytics 最新推出的最先进模型。虽然这两种模型都旨在优化速度和准确性之间的权衡，但它们的主要目的各不相同，并根据部署场景的不同而具有不同的优势。

本指南深入介绍了它们的架构、性能指标和理想用例，以帮助开发人员和研究人员做出明智的决定。

DAMO-YOLO

作者：徐先哲、蒋一琪、陈伟华、黄一伦、张远、孙秀玉Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, and Xiuyu Sun
Organization:Alibaba Group
Date:2022-11-23
Arxiv:https://arxiv.org/abs/2211.15444v2
GitHubYOLO
DocsYOLO

YOLO 是一个对象检测框架，集成了多项前沿技术以实现高性能。在阿里巴巴的研究推动下，DAMO-YOLO 在架构上进行了一系列创新，在保持具有竞争力的准确性的同时，重点降低了延迟。

了解更多关于 DAMO-YOLO 的信息

建筑与创新

YOLO 引入了 "提炼和选择 "方法，并包含以下关键要素：

  • MAE-NAS 主干网：利用神经架构搜索（NAS），在特定约束条件下对主干网进行优化，以确保高效的特征提取。
  • 高效的 RepGFPN：广义特征金字塔网络（GFPN）大量使用重参数化机制来改进不同尺度的特征融合，而不会在推理过程中产生高昂的计算成本。
  • ZeroHead：这种轻量级检测头将分类和回归任务分离开来，旨在最大限度地提高推理速度。
  • AlignedOTA：一种标签分配策略，可解决分类目标和回归目标之间的错位问题，从而提高训练过程中的收敛性。

虽然YOLO 在理论上取得了令人印象深刻的进步，但它主要是一个以研究为导向的框架，侧重于物体检测。它通常缺乏更全面的生态系统中的本地多任务支持。

Ultralytics YOLO11

作者： Glenn Jocher, Jing QiuGlenn Jocher, Jing Qiu
组织机构：Ultralytics
日期：2024-09-27
GitHubultralytics
文档yolo11

Ultralytics YOLO11 代表了实时计算机视觉的顶峰，它完善了YOLO 系列的传统，在架构、效率和易用性方面都有显著改进。它不仅是一个模型，更是一个多功能工具，可在不同硬件环境中进行实际部署。

了解更多关于 YOLO11 的信息

建筑与生态系统

YOLO11 在以往成功的基础上，改进了无锚架构。它的特点是改进了主干网以实现卓越的特征提取，并改进了颈部设计以增强各种尺度的信息流。

Ultralytics YOLO11 框架的主要优势包括

你知道吗？

YOLO11 专为边缘人工智能设备的高效率而设计。其优化的架构可确保在NVIDIA Jetson和 Raspberry Pi 等硬件上实现低内存使用率和高推理速度，使其成为嵌入式应用的上佳选择，胜过transformer重型机型。

性能对比

下图和表格说明了YOLO 和YOLO11 之间的性能差异。Ultralytics YOLO11 始终表现出卓越的准确性mAP）和良好的推理速度，尤其是在CPU 硬件上，而YOLO 缺乏官方基准。

模型尺寸
(像素)		mAPval
50-95		速度
CPU ONNX
(毫秒)		速度
T4 TensorRT10
(毫秒)		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
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.5
YOLO11m64051.5183.24.720.168.0
YOLO11l64053.4238.66.225.386.9
YOLO11x64054.7462.811.356.9194.9

结果分析

  • 精确度： YOLO11 明显优于同类YOLO 模型。例如，YOLO11m实现了51.5mAP，明显高于 DAMO-YOLOm 的 49.2mAP，尽管其参数较少（20.1M 对 28.2M）。
  • 推理速度：在GPU （T4TensorRT）上，YOLO11 的延迟极具竞争力。YOLO11n的速度快得惊人，仅为1.5 毫秒，适合超低延迟应用。
  • CPU 性能： Ultralytics 模型的一大优势是其在CPU 性能方面的透明度。YOLO11 针对CPU 推理进行了优化，通过 ONNX和OpenVINO 对CPU 推理进行了优化，而YOLO 则主要侧重于GPU，CPU 部署性能往往无法确定。
  • 模型效率： YOLO11 在参数与性能之间实现了更好的平衡。架构效率使模型文件更小，从而加快了下载速度，降低了边缘设备的存储要求。

主要区别因素和用例

Ultralytics YOLO11的优势

开发人员利用 Ultralytics YOLO11的开发人员可以访问强大的生产级环境。

  • 性能平衡：模型架构经过精心调整，可在推理速度和准确性之间实现最佳平衡，这对实时视频分析至关重要。
  • 多任务功能：如果您的项目范围从检测扩展到跟踪或分割，YOLO11 可在同一代码库中无缝处理。
  • 易用性： 字段 ultralytics 软件包简化了整个流程。加载模型、运行预测以及导出为CoreML、TFLite 或TensorRT 等格式只需几行代码即可完成。
  • 更低的内存要求：与transformer检测器或未优化的架构相比，YOLO11 在训练过程中所需的CUDA 内存通常更少，使研究人员能够在消费级 GPU 上进行训练。
from ultralytics import YOLO

# Load a pretrained YOLO11 model
model = YOLO("yolo11n.pt")

# Train on a custom dataset
model.train(data="coco8.yaml", epochs=50, imgsz=640)

# Run inference on an image
results = model("path/to/image.jpg")

YOLO的优势

YOLO 是学术研究界的有力竞争者。

  • 研究创新：MAE-NAS 和 ZeroHead 等功能为神经架构搜索和头部解耦提供了有趣的见解。
  • GPU 吞吐量：对于仅在支持的 GPU 上运行的特定工业应用，YOLO -YOLO 可提供较高的吞吐量，但在纯精度/参数效率方面往往落后于YOLO11 。

结论

而YOLO 则引入了阿里巴巴研究团队的新概念、 Ultralytics YOLO11是绝大多数开发人员和企业的最佳选择。其优势不仅体现在更高的 mAP分数和更快的推理速度，而且还有支持它的全面生态系统。

从易用性和多功能性到维护良好的代码库和活跃的社区支持，YOLO11 降低了创建高级人工智能解决方案的门槛。无论是部署在云服务器还是资源有限的边缘设备上，YOLO11 都能提供现代计算机视觉应用所需的可靠性和性能。

探索其他模型对比

要更好地了解Ultralytics 模型与其他架构的比较，请浏览我们的详细比较页面：


评论