DAMO-YOLO 与 YOLOv5
计算机视觉的发展以实时目标检测的持续创新为标志。在设计视觉处理流程时,开发者和研究人员现在面临许多架构选择。本技术比较将分析 DAMO-YOLO 和 Ultralytics YOLOv5,涵盖架构、训练方法、性能指标和最适合的部署场景。
DAMO-YOLO 简介#
DAMO-YOLO由阿里巴巴集团发布,引入了多种旨在提高检测速度和精度的新技术。
- 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 年 11 月 23 日
- arXiv:2211.15444v2
- GitHub:tinyvision/DAMO-YOLO
- 文档:README.md
架构创新#
DAMO-YOLO基于神经架构搜索 (NAS)。作者使用 MAE-NAS 自动设计能够平衡延迟和精度的主干网络。该模型引入了高效的 RepGFPN(重参数化通用特征金字塔网络),以改善不同尺度间的特征融合。DAMO-YOLO还采用“ZeroHead”设计,去除复杂的多分支预测头,换成更简单、更高效的结构,并在推理过程中大量依赖重参数化。
为改进训练,该模型使用 AlignedOTA 进行标签分配,并采用强化知识蒸馏流程,由较大的“教师”模型指导较小的“学生”模型,从而提升精度。
Ultralytics YOLOv5 简介#
Ultralytics YOLOv5 是全球应用最广泛的视觉架构之一,以稳定、易用和部署生态完善而闻名。
- 作者: Glenn Jocher
- 组织: Ultralytics
- 日期:2020 年 6 月 26 日
- GitHub: ultralytics/yolov5
- 文档: YOLOv5 文档
生态系统标杆#
YOLOv5树立了易用性的新标准。它原生基于 PyTorch 构建,采用经过优化的 CSPNet 主干网络和 PANet 颈部网络,实现稳健的特征聚合。虽然它早于后续模型中的无锚框趋势,但其改进后的基于锚框的方法结合自动锚框学习,开箱即用的表现出色。
YOLOv5的主要优势在于其维护良好的生态系统。它可与 Comet 和 Weights & Biases 等跟踪工具集成,并支持通过一条命令导出为 ONNX、TensorRT 和 CoreML 等格式。
YOLOv5易于在自定义数据集上训练。精简的 API 降低了从原型开发到生产部署的阻力,因此深受敏捷工程团队青睐。
性能与指标对比#
比较这些模型时,必须关注平均精度均值(mAP)、推理速度和参数量之间的平衡。
| 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 |
| YOLOv5n | 640 | 28.0 | - | 1.12 | 1.9 | 4.5 |
| YOLOv5s | 640 | 37.4 | - | 1.92 | 7.2 | 16.5 |
| YOLOv5m | 640 | 45.4 | - | 4.03 | 21.2 | 49.0 |
| YOLOv5l | 640 | 49.0 | - | 6.61 | 46.5 | 109.1 |
| YOLOv5x | 640 | 50.7 | - | 11.89 | 86.7 | 205.7 |
权衡分析#
DAMO-YOLO凭借蒸馏训练阶段的显著作用,以相应的参数量取得了出色的 mAP 分数。但这也牺牲了训练效率。多阶段蒸馏流程要求先训练一个大型教师模型,这会显著增加所需的 GPU 计算资源耗时和 VRAM。
相比之下,YOLOv5 的内存需求表现出色。与复杂的蒸馏流程或 RT-DETR 等基于 Transformer 的模型相比,Ultralytics YOLO 模型在训练和推理期间的内存用量都更低。因此,YOLOv5 可以在消费级硬件或 Google Colab 等便捷的云环境中高效训练。
实际应用与多功能性#
选择合适的架构通常取决于部署环境。
DAMO-YOLO 的优势场景#
DAMO-YOLO严格来说是一种目标检测模型。它适合学术研究,尤其适合研究神经架构搜索或复现论文中详述的重参数化技术的团队。如果项目拥有充足的计算资源来执行蒸馏训练阶段,并且只专注于为 2D 边界框挤出最后一点精度,DAMO-YOLO会是一个强有力的候选方案。
Ultralytics 优势#
在实际生产环境中,Ultralytics 模型的易用性和灵活性使其成为首选。YOLOv5支持检测、实例分割和图像分类,更广泛的 Ultralytics 生态系统也让开发者可以轻松切换任务。
例如,Ultralytics 系列的较新版本还原生支持姿态估计和有向边界框 (OBB)检测。这种多任务能力让团队能够使用统一的 Python API 构建复杂流程,例如将自动车牌识别与车辆分割相结合。
用例与建议#
如何在 DAMO-YOLO 和 YOLOv5 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 YOLOv5#
推荐在以下情况下选择 YOLOv5:
- 经过验证的生产系统: 对于重视 YOLOv5 长期稳定记录、详尽文档和庞大社区的现有部署场景。
- 资源受限的训练: GPU 资源有限的环境中,YOLOv5 高效的训练流水线和较低的内存需求具有优势。
- 广泛支持导出格式: 需要跨多种格式部署的项目,包括 ONNX、TensorRT、CoreML和 LiteRT。
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 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。
未来方向:迈向 YOLO26#
YOLOv5仍广泛使用,DAMO-YOLO也提供了有趣的学术见解,但技术水平已经不断演进。Ultralytics YOLO26 于 2026 年 1 月发布,是视觉领域的一项重大进步。
YOLO26 解决了边缘部署和训练不稳定方面的传统瓶颈:
- 端到端无 NMS 设计:YOLO26可选的端到端检测头(
nms=False)可移除非极大值抑制 (NMS) 后处理。这简化了部署逻辑并降低了延迟波动,因此非常适合高速机器人和自主系统。 - MuSGD 优化器:受 LLM 训练创新(例如 Moonshot AI 的 Kimi K2)启发,YOLO26采用 MuSGD 优化器(SGD 和 Muon 的混合方案),实现稳定的训练过程并加快收敛。
- CPU 推理速度最高提升 43%:移除分布焦点损失 (DFL) 后,YOLO26n 在 CPU ONNX 上的运行速度最高可比 YOLO11n 快 43%。
- ProgLoss + STAL:渐进式损失函数和感知小目标的标签分配策略显著提升了小目标识别能力,这对于分析无人机航空影像和物联网传感器数据至关重要。
代码示例:简洁直观的实践#
使用 Ultralytics 软件包,只需几行代码即可训练和部署模型。无论你使用 YOLOv5,还是升级到推荐的 YOLO26,接口始终保持一致且直观。
from ultralytics import YOLO
# 加载 YOLO26 small 模型
model = YOLO("yolo26s.pt")
# 在自定义数据集上训练
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# 对图像运行推理并显示结果
predictions = model("https://ultralytics.com/images/bus.jpg")
predictions[0].show()
# 导出模型以便部署到边缘设备
model.export(format="onnx")结论#
DAMO-YOLO和 YOLOv5都为计算机视觉领域作出了重要贡献。DAMO-YOLO展现了神经架构搜索和蒸馏的强大能力,是研究人员值得深入研究的模型。不过,YOLOv5 凭借其性能平衡、较低的内存需求和易用性,仍是实用之选。
对于今天启动新项目的开发者,建议使用 Ultralytics Platform 并采用 YOLO26。它将 YOLOv5 的易用生态系统与较新的架构进展相结合,为云端和边缘 AI 应用提供高精度和快速推理。根据具体的旧款硬件限制,开发者也可以考虑 YOLOv6 或 YOLOX 等其他高效模型。
评论
提出问题、分享结果,或帮助其他人。