在 GitHub 上编辑页面 (EN)

DAMO-YOLO 与 YOLO11：综合技术对比

在为你的下一个计算机视觉项目选择实时目标检测架构时，了解领先模型之间的细微差别至关重要。本综合指南提供了深入的技术分析，对比了 DAMO-YOLO 和 Ultralytics YOLO11，探索了它们的架构、性能指标、训练方法以及理想的现实部署场景。

DAMO-YOLO 详情： 作者：Xianzhe Xu, Yiqi Jiang, Weihua Chen, Yilun Huang, Yuan Zhang, 和 Xiuyu Sun 组织：Alibaba Group 日期：2022-11-23 Arxiv：2211.15444v2 GitHub：tinyvision/DAMO-YOLO 文档：DAMO-YOLO Documentation

YOLO11 详情： 作者：Glenn Jocher 和 Jing Qiu 组织：Ultralytics 日期：2024-09-27 GitHub：ultralytics/ultralytics 文档：YOLO11 Documentation

架构设计理念

目标检测模型的底层架构决定了其推理速度、准确性以及在各种硬件环境下的适应性。

DAMO-YOLO 引入了多项学术创新，极度依赖神经架构搜索 (NAS) 来自动设计其骨干网络。它利用高效的 RepGFPN（重参数化广义特征金字塔网络）来增强特征融合，并采用 ZeroHead 设计，大幅缩减了以往架构中常见的重型预测头。虽然这种基于 NAS 的方法使 DAMO-YOLO 能够在特定 GPU 上实现特定的效率，但由此产生的架构有时缺乏在不同边缘设备上无缝泛化所需的灵活性。

相比之下，YOLO11 基于多年的基础研究，提供了高度优化、手工打造的架构。它专注于精简的骨干网络和高效的颈部结构，从而减少冗余计算。YOLO11 的主要优势之一是其精炼的参数效率；它无需像 RT-DETR 这类基于 Transformer 的模型那样庞大的 VRAM 要求，即可实现出色的特征表达。这使得 YOLO11 非常通用，能够流畅地运行在消费级 GPU、移动设备和专用边缘加速器上。

性能与指标

评估性能需要超越单纯的最高准确率，综合考虑速度、模型大小和计算负载 (FLOPs) 的平衡。

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
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

正如表格所示，YOLO11 实现了极佳的性能平衡。例如，YOLO11s 变体在精度上超越了 DAMO-YOLOs，同时保持了显著更小的参数规模。这种对内存需求的降低直接转化为更低的部署成本以及在边缘设备上更敏捷的性能表现。

了解关于 YOLO11 的更多信息

训练方法与可用性

训练流水线是开发者花费大部分时间的地方，因此训练效率是一个至关重要的问题。

DAMO-YOLO 采用了一种严重依赖知识蒸馏的多阶段训练过程。它利用 AlignedOTA (Optimal Transport Assignment) 进行标签分配，通常需要训练一个更大的“教师”模型，将知识蒸馏给更小的“学生”模型。这种方法大幅增加了 CUDA memory 的占用以及实现最佳收敛所需的整体计算时间。

相反，Ultralytics 生态系统抽象了模型训练的复杂性。YOLO11 旨在提供极高的易用性，具有精简的 Python API 和全面的 CLI interfaces，使工程师能够通过单一命令在自定义数据集上启动训练。训练流水线本质上是资源高效的，可最大限度减少内存峰值，即使是较大的模型也能在标准硬件上进行训练。

使用 Ultralytics 简化训练

训练 Ultralytics 模型无需任何样板代码。内置的数据加载、增强和损失计算流水线在开箱时即已完全优化。

以下是一个关于训练和部署 Ultralytics 模型有多么简单的快速示例：

from ultralytics import YOLO

# Load a pretrained YOLO11 small model
model = YOLO("yolo11s.pt")

# Train the model effortlessly on a custom dataset
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

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

了解关于 YOLO11 的更多信息

现实世界的应用和多功能性

在这些架构之间进行选择，通常取决于你的部署环境所需的任务广度。

DAMO-YOLO 的适用场景

DAMO-YOLO 纯粹是一个目标检测框架。它在学术研究环境中表现出色，特别是当团队正在探索重参数化或复现特定的神经架构搜索实验时。它也可以部署在受严格限制的工业环境中，且该环境中的特定 GPU 加速器能够完美匹配 NAS 生成的骨干网络。

Ultralytics 的优势

包括 YOLO11 在内的 Ultralytics 模型因其无与伦比的多功能性和维护良好的生态系统，在现实世界的商业应用中大放异彩。与 DAMO-YOLO 不同，Ultralytics 框架原生支持多模态任务。从医疗影像中的 Instance Segmentation 到运动生物力学分析中的 Pose Estimation，单一、统一的代码库即可处理所有这些任务。

利用 YOLO11 的行业包括：

  • 智慧农业： 利用目标检测监测作物健康状况并自动化收获机械。
  • 零售分析： 实施 smart surveillance 来分析顾客流量并实现库存管理自动化。
  • 物流与供应链： 在高速传送带上使用 Oriented Bounding Boxes (OBB) 进行高速条形码和包裹检测。

用例与建议

在 DAMO-YOLO 和 YOLO11 之间进行选择，取决于你的具体项目要求、部署约束和生态系统偏好。

何时选择 DAMO-YOLO

DAMO-YOLO 是以下场景的有力选择：

  • 高吞吐量视频分析： 在固定 NVIDIA GPU 基础设施上处理高 FPS 视频流，其中 batch-1 吞吐量是主要指标。
  • 工业制造生产线： 专用硬件上具有严格 GPU 延迟约束的场景，例如装配线上的实时质量检测。
  • 神经架构搜索研究： 研究自动化架构搜索（MAE-NAS）和高效重参数化骨干网络对检测性能的影响。

何时选择 YOLO11

YOLO11 推荐用于：

  • 生产边缘部署： 在 Raspberry Pi 或 NVIDIA Jetson 等设备上的商业应用，这些场景中可靠性和积极的维护至关重要。
  • 多任务视觉应用： 需要在单个统一框架内进行 检测、分割、姿态估计 和 OBB 的项目。
  • 快速原型设计与部署： 需要使用精简的 Ultralytics Python API 快速从数据收集过渡到生产环境的团队。

何时选择 Ultralytics (YOLO26)

对于大多数新项目，Ultralytics YOLO26 提供了性能与开发者体验的最佳结合：

  • 无需 NMS 的边缘部署： 需要持续、低延迟推理且无需复杂非极大值抑制后处理的应用。
  • 仅 CPU 环境： 在没有专用 GPU 加速的设备上，YOLO26 的 CPU 推理速度提升高达 43%，这提供了决定性优势。
  • 小目标检测： 具有挑战性的场景，如 航拍无人机图像 或 IoT 传感器分析，ProgLoss 和 STAL 在小目标上显著提升了准确性。

下一代：介绍 YOLO26

虽然 YOLO11 仍然是一个强大且可靠的选择，但计算机视觉领域的发展日新月异。对于开启新项目的开发者，最新的 YOLO26 模型代表了新的行业领先水平 (State-of-the-Art)。

YOLO26 发布于 2026 年 1 月，引入了多项突破性进展：

  • 端到端无 NMS 设计： 通过消除非极大值抑制 (NMS) 后处理，YOLO26 确保了更快速、确定性的推理时间，并大幅简化了部署流水线。
  • CPU 推理速度提升高达 43%： 通过移除分布焦点损失 (DFL)，该模型非常适合缺乏专用 GPU 的边缘和低功耗设备。
  • MuSGD 优化器： 集成了大语言模型训练创新（受 Moonshot AI 启发），这种混合优化器确保了训练过程中的稳定、快速收敛。
  • 先进损失函数： 利用 ProgLoss + STAL，YOLO26 在小目标识别方面表现出显著改进，这对航空影像和机器人技术至关重要。

了解关于 YOLO26 的更多信息

总结

DAMO-YOLO 和 YOLO11 都为快速、准确的计算机视觉进步做出了重大贡献。虽然 DAMO-YOLO 在架构搜索和蒸馏方面提供了有趣的学术见解，但 Ultralytics YOLO11（以及具有突破性的 YOLO26）提供了更优越的开发者体验。

凭借更低的内存需求、详尽的文档、多任务处理能力以及与强大的 Ultralytics Platform 的集成，Ultralytics 模型仍然是希望构建稳健、可扩展 AI 解决方案的研究人员和企业工程师的首选建议。对于那些正在探索其他高级架构的用户，对比 YOLO26 vs RT-DETR 可以提供关于基于 Transformer 的替代方案的更多见解。

Contributors
在 GitHub 上编辑页面 (EN)
GLglenn-jocher12PDpderrenger1

评论