开始使用

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:

YOLO11 详情:

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-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
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3

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。

使用 Ultralytics 简化训练流程

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")

进一步了解 YOLO11

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。