开始使用

DAMO-YOLO 与 YOLO26 对比

计算机视觉架构持续演进,推动力是兼顾高精度与低延迟推理的需求。本对比介绍 DAMO-YOLO 和 Ultralytics YOLO26,涵盖它们的架构创新、训练方法和最适用场景。

无论你是要将视觉模型部署到边缘设备,还是构建高吞吐量云端流水线,了解这些模型的差异都有助于你做出明智的架构决策。

DAMO-YOLO:大规模神经架构搜索#

DAMO-YOLO 由阿里巴巴集团开发,于 2022 年 11 月 23 日发布。该模型由 Xianzhe Xu、Yiqi Jiang、Weihua Chen、Yilun Huang、Yuan Zhang 和 Xiuyu Sun 设计,专注于使用神经架构搜索 (NAS) 自动发现高效架构。

你可以查看他们的 arXiv 论文了解原始研究,也可以在 DAMO-YOLO GitHub 仓库中查阅源代码。

关键架构特性#

DAMO-YOLO 为实时目标检测带来了多项技术创新:

  • MAE-NAS 主干网络:DAMO-YOLO 使用最大熵引导搜索来寻找高效的主干网络。这种 NAS 方法能够发现严格平衡特定硬件检测精度与推理速度的架构。
  • 高效 RepGFPN:重型颈部网络设计,可大幅改善特征融合,有助于分析航空影像中的复杂场景。
  • ZeroHead 设计:大幅简化的检测头,可最大限度地降低最终预测层的计算复杂度。
  • AlignedOTA 与蒸馏:DAMO-YOLO 使用对齐最优传输分配 (AlignedOTA) 消除标签分配歧义,并结合知识蒸馏增强策略,利用较大的教师网络提升较小学生模型的精度。

进一步了解 DAMO-YOLO

Ultralytics 的优势:YOLO26#

YOLO26 由 Glenn Jocher 和 Jing Qiu 于 2026 年 1 月 14 日在 Ultralytics发布,是 Ultralytics 当前推荐的模型,让高性能视觉 AI 更易于使用。YOLO26 基于 YOLO11和 YOLOv10构建,从头开始专为边缘优先部署、多任务通用性和易用性而设计。

YOLO26 创新#

Ultralytics YOLO26 引入了多项面向现代计算机视觉应用的功能:

  • 端到端无 NMS 设计:YOLO26 的原生一对一检测头(nms=False)无需进行非极大值抑制(NMS)后处理。在 YOLOv10 无 NMS 训练的基础上,这种端到端方法简化了部署流程,并提供可预测的低延迟推理。
  • CPU 推理速度最高提升 43%:YOLO26 针对边缘计算进行了架构优化,可在边缘设备和标准 CPU 上快速推理;YOLO26n 的速度比 YOLO11n 快 43%,非常适合电池供电的 IoT 设备。
  • MuSGD 优化器:受到 LLM 训练(例如 Moonshot AI 的 Kimi K2)的启发,YOLO26 结合了 SGD 和 Muon。这将大型语言模型训练的稳定性引入计算机视觉,从而实现更快、更可靠的收敛。
  • 移除 DFL:移除分布焦点损失后,模型图得到简化,也更容易导出为 ONNX 和 TensorRT 等格式。
  • ProgLoss + STAL:渐进式损失和一种关注小目标的标签分配策略显著提升了小目标识别能力,这对无人机作业和农业至关重要。
针对特定任务的增强

YOLO26 针对多种任务进行了专门优化:为实例分割提供多尺度原型,为姿态估计提供残差对数似然估计 (RLE),并通过先进的角度损失函数缓解有向边界框 (OBB)检测中的边界问题。

性能对比#

评估这些模型时,准确率(mAP)与计算效率(速度和 FLOPs)之间的平衡至关重要。下表通过行业标准的 COCO 数据集展示了这些模型之间的差异。

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
YOLO26n64040.938.91.72.45.5
YOLO26s64048.687.22.59.520.9
YOLO26m64053.1220.04.720.468.4
YOLO26l64055.0286.26.224.886.8
YOLO26x64057.5525.811.855.7194.4

如上所示,YOLO26 始终能以显著更少的参数和 FLOPs 实现更高的准确率,因此无论训练还是推理,其架构都更加高效。

训练效率与易用性#

DAMO-YOLO 的复杂性#

虽然 DAMO-YOLO 的准确率具有竞争力,但其训练方法较为复杂。由于依赖神经架构搜索(NAS)和大量知识蒸馏,训练自定义模型通常需要大量 GPU 资源和专业知识。这种多阶段流程需要先训练大型教师模型,再将知识蒸馏到较小的学生模型中,可能会拖慢工程团队在自定义数据集上快速迭代的速度。

流畅的 Ultralytics 体验#

相比之下,Ultralytics YOLO26 专为快速上手而设计。通过简洁统一的 Python API 和 CLI,即可完成训练、验证和部署的整个生命周期。与基于 Transformer 的 RT-DETR 等模型相比,YOLO26 在训练时所需的 CUDA 显存也显著更少,让研究人员能在消费级硬件上训练出准确的模型。

下面是使用 Ultralytics Python 软件包训练、评估和导出 YOLO26 模型的示例:

from ultralytics import YOLO

# 加载最新的 YOLO26 nano 模型
model = YOLO("yolo26n.pt")

# 使用 COCO8 数据集训练模型 50 个周期
results = model.train(data="coco8.yaml", epochs=50, imgsz=640)

# 在验证集上评估模型性能
metrics = model.val()

# 对示例图像运行推理
results = model("https://ultralytics.com/images/bus.jpg")
results[0].show()

# 将模型导出为 ONNX 格式以进行部署
model.export(format="onnx")

对于偏好无代码环境的团队,Ultralytics Platform 提供直观的界面,用于数据集标注、云端训练和部署。

实际应用#

选择合适的架构,在很大程度上取决于目标部署环境和硬件限制。

工业质量控制#

对于高速制造自动化,DAMO-YOLO 在专用 GPU 硬件上表现良好。不过,YOLO26 是现代装配线的首选。其端到端无 NMS 设计可提供可预测、低抖动的延迟;在实时同步视觉数据与机器人执行器时,这一点至关重要。

边缘 AI 与移动设备#

在电池供电设备上部署计算机视觉,需要具备很高的效率。DAMO-YOLO 依赖特定的 RepGFPN 颈部结构,而 YOLO26n(Nano)则针对边缘计算进行了优化。它移除了 DFL,且 CPU 推理速度比 YOLO11n 最高快 43%,因此非常适合智能摄像头、移动应用和安全报警系统。

多任务项目需求#

如果项目需要的不只是目标检测——例如通过姿态估计分析体育运动中的运动员动作,或通过实例分割提取精确的像素边界——YOLO26 都能在单一统一的代码库中原生支持这些任务。DAMO-YOLO 则严格限于边界框检测。

用例与建议#

在 DAMO-YOLO 和 YOLO26 之间做选择,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 YOLO26#

以下场景推荐使用 YOLO26:

  • 无 NMS 的边缘部署:适用于要求推理延迟稳定且较低,同时不希望增加非极大值抑制后处理复杂度的应用。
  • 仅使用 CPU 的环境:没有专用 GPU 加速的设备;在这类设备上,YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,优势明显。
  • 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。

结论#

这两种架构都是深度学习领域的重要成果。DAMO-YOLO 展示了针对特定硬件基准进行优化时,神经架构搜索和蒸馏技术能够达到的效果。

不过,对于寻求可用于生产环境的解决方案的开发者、研究人员和企业来说,Ultralytics YOLO26 是更佳选择。它结合了端到端无 NMS 设计、CPU 推理速度最高提升 43%(YOLO26n 对比 YOLO11n)、多任务灵活性,以及与维护完善的 Ultralytics 生态系统的集成,是当今解决现实计算机视觉挑战最稳健、实用的工具。

如果你想探索 Ultralytics 生态系统中的其他模型,可以在 Ultralytics Platform 上使用预训练的 YOLO11 和 YOLOv8 模型;基于 Transformer 的 RT-DETR 则有 Ultralytics 文档介绍。

评论

提出问题、分享结果,或帮助其他人。