开始使用

DAMO-YOLO 与 YOLOv6-3.0

计算机视觉研究催生了许多面向工业应用的专用架构。其中,两款模型以实时性能和部署效率为重点脱颖而出:DAMO-YOLO 和 YOLOv6-3.0。本页将从架构、性能指标和训练方法等方面进行技术比较,帮助你在两者之间做出选择。

DAMO-YOLO:神经架构搜索与目标检测的结合#

DAMO-YOLO由阿里巴巴集团的研究人员开发,通过将神经架构搜索 (NAS) 融入主干网络设计,为 YOLO 系列带来了新思路。

架构创新#

DAMO-YOLO采用名为 MAE-NAS 的 NAS 优化主干网络,可在特定延迟限制下自动搜索高效的网络结构。这确保模型能在不同硬件配置上高效扩展。为改善特征融合,该架构采用 Efficient RepGFPN(重参数化通用特征金字塔网络),显著增强多尺度表征能力。

该模型还引入了“ZeroHead”设计。通过移除检测头中复杂的多分支结构,它能更有效地保留空间信息,同时降低计算开销。训练还采用 AlignedOTA(对齐最优传输分配)和知识蒸馏,使较小的学生模型能够向更大型的教师网络学习。

进一步了解 DAMO-YOLO

蒸馏的复杂性

知识蒸馏有助于 DAMO-YOLO实现高精度,但需要多阶段训练流程。与训练标准的单阶段模型相比,这会大幅增加所需的 GPU 计算资源。

YOLOv6-3.0:最大化工业吞吐量#

由美团视觉 AI 部门开发的 YOLOv6-3.0 明确定位为工业级目标检测器,旨在最大限度地提高 NVIDIA 硬件上的吞吐量。

  • 作者: Chuyi Li、Lulu Li、Yifei Geng、Hongliang Jiang、Meng Cheng、Bo Zhang、Zaidan Ke、Xiaoming Xu 和 Xiangxiang Chu
  • 组织: 美团
  • 日期: 2023-01-13
  • arXiv:2301.05586
  • GitHub: meituan/YOLOv6

主要特性与改进#

YOLOv6-3.0基于适配硬件的 EfficientRep 主干网络构建,在现代 GPU 上使用 TensorRT 等优化时速度非常快。在 v3.0 版本中,网络集成了双向拼接 (BiC) 模块,以提升对不同尺寸目标的定位效果。

另一个值得关注的特点是锚框辅助训练 (AAT) 策略。AAT 将基于锚框的检测器在训练时的稳定性与无锚框设计的推理速度相结合。这种混合方法能够良好收敛,同时不牺牲部署延迟,因此非常适合处理智慧城市分析和自动结账系统中的海量视频。

详细了解 YOLOv6

性能对比#

在评估这些模型的实时推理能力时,平衡参数量、FLOPs 和 mAP 精度至关重要。下表对比了它们的性能。

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
YOLOv6-3.0n64037.5-1.174.711.4
YOLOv6-3.0s64045.0-2.6618.545.3
YOLOv6-3.0m64050.0-5.2834.985.8
YOLOv6-3.0l64052.8-8.9559.6150.7

DAMO-YOLO在小型档位略占优势(46.0 mAP 对比 45.0 mAP),但 YOLOv6-3.0的扩展性更好,在中型和大型档位领先,同时在 nano 配置中保持最低的参数量。

如何在两者之间做选择

如果你的硬件环境允许执行大量自动化搜索来定制主干网络,DAMO-YOLO的 NAS 方法会很有效。不过,如果你完全依赖标准化 GPU 加速(例如 T4 或 A100),YOLOv6的 EfficientRep 结构通常能带来更高的原始 FPS。

用例与建议#

如何在 DAMO-YOLO 和 YOLOv6 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 YOLOv6#

推荐在以下情况下选择 YOLOv6:

  • 面向工业硬件的部署: 在这类场景中,模型面向硬件的设计和高效重参数化能针对特定目标硬件优化性能。
  • 快速单阶段检测: 优先考虑 GPU 原始推理速度、以便在受控环境中处理实时视频的应用。
  • 美团生态系统集成:已在美团技术栈和部署基础设施中开展工作的团队。

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 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。

Ultralytics 的优势:认识 YOLO26#

DAMO-YOLO和 YOLOv6-3.0都很有实力,但它们的生态系统较为分散、仅支持单一任务,且部署流程复杂。对于现代工程团队,Ultralytics 模型能提供显著更好的开发体验,最新的选择是 YOLO26。

YOLO26于 2026 年 1 月发布,专为边缘和云端部署而设计,并优化了内存需求和计算效率。

为什么选择 YOLO26?#

  1. 端到端无 NMS 设计:基于 YOLOv10 的相关理念,YOLO26支持原生端到端推理,通过可选的一对一检测头(nms=False)跳过非极大值抑制 (NMS) 后处理。这简化了部署代码,并减少了不同边缘设备间的推理延迟波动。
  2. 优化改进:YOLO26采用MuSGD 优化器,即 SGD 和 Muon 的混合方案(受大语言模型训练启发),可实现稳定的训练过程并加快收敛。
  3. 硬件适用性: 移除 DFL(分布焦点损失)后,输出头更精简,边缘设备兼容性也得到提升。YOLO26n 的 CPU 推理速度比 YOLO11n 最高快 43%,因此比 YOLOv6更适合移动设备或物联网边缘环境。
  4. 精度提升:借助 ProgLoss + STAL,YOLO26改善了小目标检测,因此非常适合航空影像分析和缺陷检测。
  5. 多任务灵活性:与仅预测边界框的工业模型不同,YOLO26系列支持多种任务,包括实例分割、图像分类、姿态估计和有向边界框 (OBB)。

生态系统体验#

Ultralytics Platform 覆盖了整个机器学习生命周期。训练模型无需多阶段蒸馏流程。借助自动数据增强、统一的超参数调优,以及一键导出到 ONNX、OpenVINO 和 CoreML 等格式的功能,你可以快速从数据集走向生产部署。

Ultralytics 模型还以内存效率高而闻名,不会像 RT-DETR 等 Transformer 架构那样需要大量 VRAM。

快速入门代码示例#

使用 YOLO26 等 Ultralytics 模型进行训练和推理十分简单。以下 Python 脚本展示了如何用几行代码完成训练、推理和导出:

from ultralytics import YOLO

# 加载高效的 YOLO26 nano 模型
model = YOLO("yolo26n.pt")

# 在你的自定义数据集上训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 对示例图像运行推理
prediction = model("https://ultralytics.com/images/bus.jpg")

# 导出为 TensorRT,以实现最高 GPU 吞吐量
model.export(format="engine", dynamic=True)

结论#

DAMO-YOLO和 YOLOv6-3.0都是令人印象深刻的工程成果,推动了工业目标检测的发展。不过,它们是专用工具,通常需要复杂的配置,并受严格的硬件限制。

对于需要出色性能平衡、多任务能力和积极维护的生态系统的开发者和研究人员,推荐使用 Ultralytics YOLO26。YOLO26将受 LLM 启发的优化器与支持无 NMS 推理的简洁架构相结合,简化了 AI 部署,同时在边缘和云端环境中提供高精度。

如果你正在为新的计算机视觉项目评估模型,可以先了解 Ultralytics YOLO 生态系统的功能。你也可以将这些模型与 EfficientDet 等其他架构或 YOLO11 等早期里程碑版本进行比较,全面了解实时视觉 AI 的演进。

评论

提出问题、分享结果,或帮助其他人。