DAMO-YOLO 与 YOLO11
为下一个计算机视觉项目选择实时目标检测架构时,了解主流模型之间的差异会很有帮助。本指南从架构、性能指标、训练方法和最适合的部署场景等方面,对 DAMO-YOLO 与 Ultralytics YOLO11 进行技术比较。
DAMO-YOLO 详情:
- 作者: Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun
- 组织: 阿里巴巴集团
- 日期: 2022-11-23
- arXiv:2211.15444v2
- GitHub:tinyvision/DAMO-YOLO
- 文档:DAMO-YOLO 文档
YOLO11 详情:
- 作者: Glenn Jocher 和 Jing Qiu
- 组织: Ultralytics
- 日期: 2024-09-27
- GitHub: ultralytics/ultralytics
- 文档: YOLO11 文档
架构设计理念#
目标检测模型的底层架构决定了它的推理速度、精度,以及在各种硬件环境中的适应能力。
DAMO-YOLO 引入了多项学术创新,主要依靠神经架构搜索(NAS)自动设计主干网络。它采用高效的 RepGFPN(重参数化广义特征金字塔网络)增强特征融合,并通过 ZeroHead 设计大幅缩减早期架构中庞大的预测头。虽然这种由 NAS 驱动的方法能让 DAMO-YOLO 在选定 GPU 上实现特定的效率优势,但生成的架构可能缺乏在不同边缘设备上泛化所需的灵活性。
相比之下,YOLO11 基于多年的基础研究,提供经过优化、由人工设计的架构。它采用精简的主干网络和高效的颈部结构,以减少冗余计算。YOLO11 的主要优势之一是改进后的参数效率:它无需基于 Transformer 的 RT-DETR 等模型通常需要的大量 VRAM,就能实现强大的特征表示能力。因此,YOLO11 适用性广,可在消费级 GPU、移动设备和专用边缘加速器上流畅运行。
性能与指标#
评估性能时,不能只看最高精度,还要考虑速度、模型大小和计算负载(FLOPs)之间的平衡。
| 模型 | 尺寸 (像素) | mAPval50-95 | 速度 CPU ONNX (毫秒) | 速度 T4 TensorRT10 (ms) | 参数 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| DAMO-YOLOt | 640 | 42.0 | - | 2.32 | 8.5 | 18.1 |
| DAMO-YOLOs | 640 | 46.0 | - | 3.45 | 16.3 | 37.8 |
| DAMO-YOLOm | 640 | 49.2 | - | 5.09 | 28.2 | 61.8 |
| DAMO-YOLOl | 640 | 50.8 | - | 7.18 | 42.1 | 97.3 |
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.6 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.1 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 87.2 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 195.3 |
如表所示,YOLO11 实现了良好的性能平衡。例如,YOLO11s 变体的准确率超过了 DAMO-YOLOs,同时参数规模显著更小。显存需求的降低可直接减少部署成本,并让边缘设备上的运行更加灵活高效。
训练方法与易用性#
开发者的大量时间都花在训练流程上,因此训练效率是一个重要考量。
DAMO-YOLO 采用多阶段训练流程,高度依赖知识蒸馏。它使用 AlignedOTA(最优传输分配)进行标签分配,并且通常需要先训练较大的“教师”模型,再将知识蒸馏到较小的“学生”模型中。这种方法会大幅增加所需的 CUDA 显存和模型收敛所需的总计算时间。
相比之下,Ultralytics 生态系统将模型训练的复杂性封装起来。YOLO11 注重易用性,提供精简的 Python API 和全面的 CLI,让工程师只需一条命令就能开始使用自定义数据集训练。该训练流程对资源的利用效率很高,可最大限度减少显存峰值,因此即使是较大的模型也能在标准硬件上训练。
训练 Ultralytics 模型无需编写样板代码。内置的数据加载、增强和损失计算流程开箱即用。
下面是快速训练并导出 Ultralytics 模型的示例:
from ultralytics import YOLO
# 加载预训练的 YOLO11 small 模型
model = YOLO("yolo11s.pt")
# 在自定义数据集上训练模型
model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)
# 将训练好的模型导出为 ONNX,以便部署
model.export(format="onnx")实际应用与多功能性#
在这些架构之间做出选择,通常取决于部署环境所需任务的范围。
DAMO-YOLO 的适用场景#
DAMO-YOLO 是一个纯粹的目标检测框架。它适用于学术研究,例如探索重参数化或复现特定的神经架构搜索实验。如果特定 GPU 加速器与 NAS 生成的主干网络相匹配,它也可以部署在限制严格的工业环境中。
Ultralytics 优势#
包括 YOLO11 在内的 Ultralytics 模型凭借其灵活性和维护完善的生态系统,广泛用于商业应用。与 DAMO-YOLO 不同,Ultralytics 框架原生支持多种任务。从医学成像中的实例分割,到体育生物力学分析中的姿态估计,一个统一的代码库就能处理所有任务。
采用 YOLO11 的行业包括:
- 智慧农业: 利用目标检测监测作物健康状况,并实现收割机械自动化。
- 零售分析: 部署智能监控,分析客流并实现库存管理自动化。
- 物流与供应链: 在高速运行的传送带上使用有向边界框(OBB),快速检测条形码和包裹。
用例与建议#
在 DAMO-YOLO 和 YOLO11 之间做出选择,取决于你的具体项目需求、部署限制和生态系统偏好。
何时选择 DAMO-YOLO#
DAMO-YOLO 适用于:
- 高吞吐量视频分析:在固定的 NVIDIA GPU 基础设施上处理高帧率视频流,且主要关注批量大小为 1 时的吞吐量。
- 工业制造生产线:在专用硬件上对 GPU 延迟有严格要求的场景,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#
以下场景推荐使用 YOLO11:
- 生产级边缘部署:在 Raspberry Pi 或 NVIDIA Jetson 等设备上运行商业应用,可靠性和持续维护至关重要。
- 多任务视觉应用:需要在单一统一框架中完成目标检测、分割、姿态估计和 OBB 的项目。
- 快速原型开发与部署:需要借助精简的 Ultralytics Python API,快速完成从数据收集到生产部署的团队。
何时选择 Ultralytics (YOLO26)#
对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:
- 无 NMS 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
- 仅限 CPU 的环境:没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),优势十分明显。
- 小目标检测:适用于无人机航拍影像等具有挑战性的场景,或 IoT 传感器分析等需要 ProgLoss 和 STAL 大幅提升微小目标准确率的场景。
新一代模型:YOLO26 登场#
YOLO11 依然强大可靠,但计算机视觉领域发展迅速。对于启动新项目的开发者,建议从最新的 YOLO26 模型开始。
YOLO26 于 2026 年 1 月发布,带来了多项改进:
- 端到端无 NMS 设计:YOLO26 提供可选的一对一检测头(
nms=False),无需进行非极大值抑制后处理,从而带来更快、更可预测的推理速度,并简化部署流程。 - CPU 推理速度最高提升 43%:移除分布焦点损失(DFL)后,YOLO26n 的 CPU 运行速度比 YOLO11n 最高快 43%,非常适合缺少专用 GPU 的边缘设备和低功耗设备。
- MuSGD 优化器:这种混合优化器将受 Moonshot AI 启发的大语言模型(LLM)训练技术引入视觉领域,可在训练期间实现稳定、快速的收敛。
- 先进训练技术:借助 ProgLoss + STAL,YOLO26 提升了小目标识别能力,这对于航空图像和机器人领域至关重要。
结论#
DAMO-YOLO 和 YOLO11 都为快速、准确的计算机视觉技术进步作出了重要贡献。DAMO-YOLO 在架构搜索和蒸馏方面提供了有趣的学术见解,而 Ultralytics YOLO11(以及更新的 YOLO26)则带来了更流畅的开发体验。
凭借更低的显存需求、丰富的文档、多任务能力以及与 Ultralytics Platform 的集成,Ultralytics 模型仍是希望构建稳健、可扩展 AI 解决方案的研究人员和企业工程师的首选。想要探索其他先进架构时,对比 YOLO26 与 RT-DETR 可进一步了解基于 Transformer 的替代方案。
评论
提出问题、分享结果,或帮助其他人。